2. LLM 에이전트 시대, 온톨로지는 ‘실행의 의미 계층’으로 확장될 수 있다

기준일: 2026-07-19
연구 모드: direct research
핵심 근거: arXiv 프리프린트 8편, 동료심사 학회 논문 5편, W3C 표준 2건, 고전 논문 1편

결론부터

LLM 에이전트 시대에도 온톨로지의 본질은 사라지지 않는다. 여전히 어떤 도메인에서 무엇이 존재하고, 개념들이 어떻게 연결되며, 무엇이 허용되거나 모순인지를 명시하는 공유 의미 체계다. 달라질 가능성이 큰 것은 배치 위치와 작동 시간이다. 전통적으로 온톨로지는 시스템을 만들기 전에 지식 엔지니어가 설계하고 애플리케이션이 참조하는 비교적 정적인 명세였다. 최근 연구에서는 이 명세 또는 그보다 가벼운 의미 그래프를 메모리 구조, 검색 경로, 도구 호출 조건, 계획 검증, 여러 에이전트 사이의 계약, 실행 후 감사에 관여시키는 설계 방향이 나타난다.src_001src_002src_003src_015src_016

이 변화는 “LLM이 온톨로지를 대체한다”거나 반대로 “온톨로지가 LLM의 환각을 없앤다”는 이야기가 아니다. 더 정확한 그림은 상호 보완이다. LLM은 자연어 요구와 비정형 문서에서 개념·관계·후보 규칙의 초안을 만드는 시간을 줄일 가능성이 있다. 온톨로지는 LLM의 자유로운 생성을 구조화하고, 근거를 찾고, 결과를 검사하고, 반복되는 실패를 검토 가능한 규칙 후보로 표현하는 데 쓰일 수 있다. Pan 등의 로드맵은 이를 KG-enhanced LLM, LLM-augmented KG, 그리고 양쪽이 함께 진화하는 synergized LLM+KG의 세 흐름으로 정리한다.src_004src_013

다만 이 분야에는 용어 인플레이션이 있다. 최근 논문의 “ontology” 또는 “knowledge graph”가 항상 OWL의 형식 의미론과 논리 추론을 뜻하지는 않는다. 타입이 붙은 그래프, 관계형 데이터베이스의 개념 사전, 분류체계, 프로세스 그래프까지 넓게 묶이는 경우가 많다. 따라서 에이전트 시대의 온톨로지를 이해하려면 “그래프를 쓴다”가 아니라 어떤 의미 제약을 명시하고, 어떤 검사를 실행하며, 누가 변경을 승인하는가를 물어야 한다.src_002src_004src_006

1. 전통적인 온톨로지는 무엇을 위해 존재했나

Gruber의 고전적 정의에서 온톨로지는 개념화에 대한 명시적 명세다. 공유 도메인에서 사용할 표현 어휘를 합의하고, 서로 다른 시스템이 같은 단어를 같은 뜻으로 사용하게 만드는 것이 출발점이었다. OWL 2는 이를 클래스, 속성, 개체, 공리와 형식 의미론으로 표현한다. 또한 프로파일을 통해 표현력과 계산 가능성 사이의 절충을 제공한다.src_001src_002

전통적 개발 흐름은 대체로 다음과 같았다.

1. 사람이 도메인과 범위를 정한다.
2. 용어, 클래스, 관계, 제약을 모델링한다.
3. 인스턴스 데이터를 연결한다.
4. 질의 또는 추론 엔진이 명세를 소비한다.
5. 변경은 거버넌스 절차를 거쳐 새 버전으로 배포한다.

이 구조의 장점은 의미가 명시적이고 공유 가능하다는 점이다. 같은 데이터가 여러 조직과 애플리케이션을 지나도 개념의 뜻과 관계를 보존할 수 있다. 반대로 초기 모델링 비용이 크고, 현실이 빠르게 변할 때 업데이트가 늦으며, 전문가의 병목이 생기기 쉽다. 표현력을 높일수록 추론 비용과 디버깅 난도도 커진다.

중요한 점은 전통 온톨로지도 완전히 정적이지 않았다는 사실이다. 이미 버전 관리와 반복 개선이 필요했다. 에이전트 시대의 변화는 ‘정적에서 동적으로’라는 단순 이분법이 아니라, 변경 주기가 설계 프로젝트 단위에서 실행·학습 루프 단위로 짧아지고, 온톨로지가 읽기 전용 참조물에서 읽기·제안·검증 대상이 되는 것에 가깝다.

2. 무엇이 달라지는가: 다섯 가지 이동

아래 사례는 모두 같은 수준의 ‘온톨로지’를 쓰지 않는다. 형식성을 구분하지 않으면 지식그래프 검색의 성과를 OWL 추론의 성과로 잘못 읽게 된다.

연구·표준	실제 의미 구조	형식성	이 글에서 읽는 범위
OWL 2·SHACL	클래스·공리·형식 의미론, 그래프 제약	높음	명세와 검증의 기준선
Think-on-Graph·KG-Agent	엔티티-관계 지식그래프와 탐색 도구	중간 또는 구현 의존	그래프 기반 검색·추론 사례
Zep·MOSS	시간·출처·개념을 가진 메모리 그래프/관계 구조	중간 또는 구현 의존	구조화된 장기 메모리 사례
ANNEAL·IAL	프로세스 지식그래프 또는 OWL 기반 의도 객체	혼합	런타임 통제의 초기 설계 사례
LLM 온톨로지 생성 연구	역량 질문에서 만든 OWL 초안	높음	저작 지원 가능성과 품질 변동

다섯 가지 이동은 서로 독립된 기능 목록이 아니라, 정적 명세를 실행 중 의미 제어로 확장하는 하나의 흐름이다.

직접 탐색해 보기: 어느 수준의 의미 계층이 필요한가

아래 도구는 이 글의 질적 구분을 세 방식으로 탐색한다. 첫째, 다섯 가지 이동이 검색·메모리·계획·검증·거버넌스 가운데 어디에 주로 관여하는지 비교한다. 둘째, 용어집부터 프로세스·정책 온톨로지까지 관계 표현·자동 검증·실행 통제·운영 부담의 차이를 살펴본다. 셋째, 관계 복잡도와 행동 위험 같은 업무 조건을 바꿔 최소 시작점을 확인한다.

도구 안의 단계와 관련도는 논문에서 측정한 성능 수치가 아니라, 본문의 질적 서술을 비교 가능하게 재배열한 설명용 상대값이다.

2.1 지식 저장소에서 런타임 통제면으로

에이전트는 답만 생성하지 않는다. 목표를 해석하고, 계획을 세우고, 도구를 고르고, 외부 시스템에 행동을 가한다. 이때 온톨로지는 “알고 있는 사실”보다 “어떤 행동이 어떤 상태에서 가능한가”를 명시하는 데 더 중요한 역할을 할 수 있다.

SHACL처럼 그래프 제약을 검사하는 표준은 에이전트의 입력·출력이나 도구 호출 인자를 검증하는 기반이 된다. 2026년 ANNEAL 프리프린트는 반복되는 실행 실패를 프로세스 지식그래프의 타입이 있는 패치로 바꾸고, 가드레일·카나리 테스트·출처·롤백을 거쳐 반영하는 구조를 제안한다. 같은 해 Intention Abstraction Layer는 자연어 목표를 OWL에 기반한 구조화된 의도로 바꾸고 실행 전에 목표 충돌을 탐지하는 개념 증명을 제시한다.src_003src_015src_016

이 연구들은 아직 최신 프리프린트이며 산업 전반의 성숙도를 증명하지 않는다. 다만 온톨로지 또는 제약 그래프를 데이터 통합용 백오피스 자산에 머물게 하지 않고, 행동하기 전 의미를 검사하는 정책·안전 후보 계층으로 배치하려는 설계 방향을 보여준다.

2.2 문서 검색에서 구조화된 에이전트 메모리로

벡터 검색은 비슷한 문장을 잘 찾지만 “이 사실은 언제부터 유효한가”, “누가 말했는가”, “현재 사실과 과거 사실이 왜 다른가”, “이 결론이 어떤 관계 경로를 거쳤는가”를 자동으로 보장하지 않는다. 장기 실행 에이전트에는 유사도뿐 아니라 시간, 출처, 상태 변화, 관계의 방향성이 중요하다.

Zep은 대화와 업무 데이터를 시간 인식 지식그래프로 통합하면서 역사적 관계를 유지하는 메모리 계층을 제안한다. MOSS는 에이전트가 구조화된 관계형 저장소에 대해 검색을 조직하고, 색인부터 답변까지 로그로 남기는 감사 가능한 메모리를 제안한다.src_010src_014 두 연구의 수치와 사례는 특정 구현에 종속되어 있으므로 일반적 우월성으로 읽으면 안 된다. 더 중요한 공통점은 메모리를 “과거 문장 묶음”이 아니라 시간과 출처가 있는 의미 객체의 변화 기록으로 본다는 점이다.

그러나 구조화가 곧 안전을 뜻하지는 않는다. AgentPoison은 장기 메모리나 RAG 지식베이스에 소량의 악성 항목을 주입해 여러 유형의 에이전트를 백도어링할 수 있음을 보였다.src_011 에이전트가 온톨로지나 그래프에 쓸 수 있다면 변경 제안과 확정 저장소를 분리하고, 출처·승인·롤백·격리 검사를 필수로 둬야 한다.

2.3 사람이 만드는 완성품에서 사람과 LLM이 함께 관리하는 살아 있는 명세로

LLM은 온톨로지 엔지니어링의 초안 작성을 가속할 가능성을 보인다. 2025년 Ontology Generation 연구는 사용자 스토리와 역량 질문에서 OWL 초안을 생성하는 방법을 평가했고, 일부 설정에서 온톨로지 엔지니어가 사용할 만한 품질을 보고했다. 후속 연구는 6개 도메인과 95개 역량 질문에서 도메인 간 생성 능력을 평가했다.src_007src_008 별도 연구팀의 실제 협업 설계 사례에서도 LLM은 용어 매핑을 보조했지만, 도메인 특화 오류를 고치는 전문가 검증이 필수였다.src_017

하지만 두 연구 모두 품질 변동, 공통 오류, 다차원 평가의 필요성을 인정한다. 생성 문법이 맞는 것, 논리적으로 일관적인 것, 업무 질문에 답할 수 있는 것, 현업 전문가의 개념과 맞는 것은 서로 다른 평가 축이다. Evo-DKD는 후보 수정과 자연어 정당화를 함께 만들고 일관성 검사 후 지식베이스에 넣는 폐쇄 루프를 제안하지만, 저자들 스스로 GPU 제약 때문에 핵심 이중 디코더를 프롬프트 기반으로 모사했다고 밝힌다.src_009 흥미로운 선행 신호이지만 자율 진화의 확정적 증거는 아니다.

따라서 바람직한 변화는 “사람 없이 자동 생성”이 아니라 다음과 같은 제안-검사-승인-관찰 루프다.

문서와 실행 실패에서 후보 개념·관계를 제안한다 → 형식 제약과 역량 질문으로 검사한다 → 도메인 책임자가 승인한다 → 제한된 범위에 배포한다 → 실제 에이전트 성능과 부작용을 관찰한다 → 필요하면 롤백한다.

2.4 질의용 스키마에서 에이전트의 탐색 공간으로

Think-on-Graph는 LLM을 지식그래프의 엔티티와 관계를 단계적으로 탐색하는 에이전트로 본다. KG-Agent는 LLM, 도구 상자, 그래프 실행기, 지식 메모리를 묶어 복합 질의를 처리한다.src_005src_006 여기서 그래프는 프롬프트에 한꺼번에 넣는 배경지식이 아니라 에이전트가 행동을 선택하는 환경이 된다.

이 방식의 가치는 세 가지다. 첫째, 관련 경로만 점진적으로 탐색해 컨텍스트를 통제할 수 있다. 둘째, 답까지 이어지는 관계 경로를 근거로 남길 수 있다. 셋째, 모델 가중치를 다시 학습하지 않고 그래프를 고쳐 지식을 수정할 수 있다.

그러나 “경로가 있다”와 “경로가 옳다”는 다르다. KG가 불완전하거나 엔티티 연결이 틀리면 에이전트는 그럴듯한 잘못된 경로를 더 자신 있게 따를 수 있다. NAACL 2024의 조사 연구는 KG 결합이 환각 완화에 유망하다는 문헌을 정리하지만, 접근 방식과 성능이 다양하고 남은 과제가 많다고 결론짓는다.src_012 효과는 온톨로지 자체뿐 아니라 데이터 품질, 검색 정책, 추론 예산, 평가셋에 좌우된다.

2.5 시스템 간 공통어에서 사람·에이전트·도구 사이의 계약으로

전통 온톨로지는 데이터베이스와 애플리케이션 사이의 의미 상호운용성을 강조했다. 에이전트 시대에는 계약 당사자가 늘어난다. 사람의 목표, 에이전트의 계획, 도구의 입력 스키마, 정책 엔진의 제약, 다른 에이전트의 메시지가 같은 개념을 공유해야 한다.

이때 온톨로지는 단순한 명사 사전이 아니라 다음을 연결하는 인터페이스가 된다.

• 목표: 사용자가 무엇을 달성하려는가
• 상태: 현재 세계와 작업의 상태는 무엇인가
• 능력: 어떤 에이전트와 도구가 무엇을 할 수 있는가
• 제약: 어떤 조건과 권한 아래 행동할 수 있는가
• 근거: 어떤 출처와 경로가 판단을 지지하는가
• 결과: 무엇이 바뀌었고 어떻게 되돌릴 수 있는가

CogMG가 보여주듯 LLM은 그래프에서 빠진 지식을 식별하고, 그래프는 LLM 답변을 근거에 묶을 수 있다. 동시에 이 연구는 지식 업데이트의 정렬 문제도 지적한다.src_013 즉 공통어의 가치는 커지지만, 그 공통어를 누가 바꾸는지가 새로운 거버넌스 문제가 된다.

3. ‘온톨로지가 환각을 해결한다’는 주장에 대한 반론

온톨로지는 세 가지 방식으로 신뢰성을 높일 수 있다. 검색 후보를 명시적 관계로 제한하고, 답의 근거 경로를 기록하고, 형식 제약으로 모순이나 누락을 탐지한다. 그러나 다음 이유로 환각 제거 장치라고 부를 수는 없다.src_005src_006src_012

1. 원천이 틀릴 수 있다. 그래프가 오래됐거나 잘못 구축되면 구조화된 오류가 된다.
2. 연결이 틀릴 수 있다. 자연어의 대상을 잘못된 엔티티에 연결하면 이후 추론이 모두 어긋난다.
3. 검색이 놓칠 수 있다. 올바른 사실이 있어도 에이전트가 잘못된 경로를 선택할 수 있다.
4. 모델이 근거를 무시할 수 있다. 제공된 구조가 있어도 모델이 파라메트릭 기억을 우선할 수 있다.
5. 메모리가 공격받을 수 있다. 검증되지 않은 쓰기와 검색은 오염된 지식을 행동으로 전파한다.src_011

따라서 온톨로지의 현실적인 약속은 “진실 보장”이 아니라 오류를 더 빨리 발견하고, 원인을 추적하고, 수정 범위를 제한하는 구조다. 정확도 외에 제약 위반률, 근거 완전성, 승인되지 않은 변경률, 롤백 성공률, 시간에 따른 의미 드리프트를 함께 측정해야 한다.

4. 온톨로지와 지식그래프를 구분해야 하는 이유

논문 문헌에서는 두 용어가 자주 함께 나오지만 동일하지 않다. 온톨로지는 주로 개념과 관계가 뜻하는 바, 허용되는 구조와 논리 제약을 정의하는 명세에 가깝다. 지식그래프는 그 명세를 사용할 수도 있고 사용하지 않을 수도 있는 개체와 관계의 실제 데이터 구조다. OWL 2의 형식 의미론과 프로파일은 이 차이를 분명히 보여준다.src_002

에이전트 시스템은 목적에 따라 연속선에서 선택할 수 있다.

수준	예시	강점	비용·한계
용어집·분류체계	승인된 이름, 상하위 분류	가장 단순, 검색 개선	관계·제약 표현이 약함
타입 그래프	엔티티·관계·시간·출처	탐색과 메모리에 실용적	의미가 구현 관례에 의존
제약 그래프	SHACL 형태 검사	입력·출력 검증에 직접적	완전한 논리 추론은 아님
형식 온톨로지	OWL 클래스·공리·추론	명시적 의미, 일관성 추론	모델링·계산·운영 비용
프로세스·정책 온톨로지	상태, 행동, 권한, 전 조건	계획과 실행 통제	현실 예외와 변경 관리가 어려움

핵심은 가장 표현력 높은 형식을 고르는 것이 아니라, 실패 비용에 맞는 최소 의미 구조를 고르는 것이다. 논리적 모순 탐지가 필요한 규제·의료·산업 제어와, 단순 콘텐츠 추천에 필요한 구조는 다르다.src_002src_004src_006

5. 실무 구현 원칙

원칙 1. 문서가 아니라 실패 모드에서 시작한다

“우리 회사 온톨로지를 만들자”보다 “에이전트가 어떤 잘못된 행동을 반복하며 무엇을 검사하면 막을 수 있는가”를 먼저 정한다. 예를 들면 승인 없는 환불, 만료 정책 적용, 서로 모순되는 생산 목표, 출처 없는 고객 상태 변경이다.

원칙 2. 역량 질문을 테스트로 만든다

온톨로지가 답해야 할 질문을 자연어와 기계 질의로 함께 관리한다. LLM 생성 연구들이 사용자 스토리와 역량 질문을 입력과 평가에 사용한 이유도 여기에 있다.src_007src_008 각 변경은 기존 질문을 깨지 않는지 회귀 테스트해야 한다.

원칙 3. 읽기 경로와 쓰기 경로를 분리한다

에이전트가 운영 그래프를 자유롭게 수정하게 두지 않는다. 쓰기는 후보 패치 저장소로 보내고, 구문 검사·일관성 검사·출처 검사·영향 분석·사람 승인을 통과한 변경만 승격한다. 승인 단위와 롤백 포인트를 작게 유지한다.src_011src_015

원칙 4. 시간과 출처를 일급 객체로 둔다

“A는 B다”만 저장하지 말고 누가 언제 어떤 근거로 주장했는지, 유효 기간과 대체 관계가 무엇인지 저장한다. 그래야 장기 메모리에서 현재 사실과 과거 사실을 구분하고 변경을 감사할 수 있다.src_010src_014

원칙 5. 벡터 검색과 경쟁시키지 말고 역할을 나눈다

벡터 검색은 표현이 달라도 의미가 비슷한 후보를 넓게 찾는 데 좋다. 온톨로지·그래프는 후보를 관계와 제약으로 좁히고, 경로를 설명하고, 쓰기를 통제하는 데 좋다. 일반적인 조합은 벡터 검색으로 후보를 찾고, 그래프 탐색으로 관련 경로를 확장한 뒤, 제약 검사로 행동 가능성을 확인하는 것이다.

원칙 6. 정확도만 평가하지 않는다

최소 평가판은 다음을 포함해야 한다.

• 과업 성공률과 근거가 있는 답변 비율
• 잘못된 엔티티 연결률과 제약 위반률
• 변경 승인 대기 시간과 롤백 시간
• 오래된 사실의 사용률과 출처 누락률
• 그래프 탐색에 추가되는 지연·토큰·운영비
• 공격성 입력이 메모리나 정책에 남는 비율

6. 어디에 먼저 쓰면 좋은가

효과가 큰 후보는 개념과 규칙이 비교적 안정적이면서 실패 비용이 높은 도메인이다. 산업 운영에서 여러 에이전트의 목표 충돌을 실행 전에 검사하거나, 규제 업무에서 권한·근거·승인 이력을 남기거나, 고객 지원에서 상품·계약·정책의 관계를 일관되게 적용하는 경우다. 연구·의료에서는 근거 경로와 시간에 따른 지식 변경을 명시하는 용도가 중요하다.

반대로 단발성 요약, 창작, 관계 추론이 거의 없는 간단한 질의, 변화가 너무 빨라 관리 주체가 없는 도메인에는 무거운 온톨로지가 과설계일 수 있다. 이 경우 용어집, 타입 몇 개, 출처 메타데이터, 간단한 제약부터 시작하는 편이 낫다.

도입 순서는 다음이 현실적이다.

1. 반복되는 고비용 실패 하나를 고른다.
2. 핵심 개념 20~50개와 관계·제약만 정의한다.
3. 실제 질문과 실패 사례로 회귀 세트를 만든다.
4. 읽기 전용 그래프 검색을 먼저 붙인다.
5. 행동 전 제약 검사를 추가한다.
6. 변경 제안은 자동화하되 승인은 사람이 맡는다.
7. 효과와 유지비를 비교한 후 범위를 넓힌다.

7. 앞으로의 연구 과제

첫째, 동적 온톨로지의 의미 드리프트를 측정하는 표준 평가가 필요하다. 새 개념이 추가될 때 기존 질문과 정책이 얼마나 바뀌는지 장기적으로 봐야 한다. 둘째, LLM이 만든 온톨로지의 평가는 문법과 논리뿐 아니라 현업 유용성, 편향, 누락, 변경 비용까지 포함해야 한다.src_007src_008

셋째, 여러 에이전트가 서로 다른 온톨로지를 사용할 때 정렬과 협상 문제가 커진다. 이름이 같은 개념의 의미가 다르거나, 같은 행동에 서로 다른 권한 규칙이 붙을 수 있다. 넷째, 그래프 메모리의 쓰기 보안과 데이터 계보가 핵심이 된다. AgentPoison은 검색 기반 메모리의 오염이 단순한 답변 오류를 넘어 행동 오류로 이어질 수 있음을 보여준다.src_011

다섯째, 온톨로지의 효과를 벡터 RAG, 관계형 스키마, 규칙 엔진과 동일 조건에서 비교하는 연구가 부족하다. 현재의 많은 성능 향상은 온톨로지의 형식 의미론, 더 나은 데이터 큐레이션, 그래프 검색 알고리즘 중 무엇이 기여했는지 분리하기 어렵다. 이 구분이 없으면 “그래프를 썼더니 좋아졌다”가 “온톨로지가 필요하다”로 과장될 수 있다.

최종 해석

LLM 에이전트 시대의 연구는 온톨로지와 더 가벼운 의미 그래프를 생성형 모델의 유연성과 실제 행동 시스템 사이에 두는 의미 기반 제어 후보로 재배치하고 있다. 전통적 온톨로지가 “세계에 무엇이 있는가”를 공유했다면, 이 설계 방향은 여기에 “에이전트가 무엇을 기억하고, 어떤 근거로 무엇을 할 수 있으며, 누가 그 의미를 바꿀 수 있는가”를 더하려 한다.

실무의 판단 기준은 ‘온톨로지를 도입할 것인가’라는 이분법보다 ‘어떤 실패를 막기 위해 어느 수준의 형식성이 필요한가’여야 한다. 단순 검색이면 용어집과 타입 그래프로 충분할 수 있고, 행동 전 모순 검사나 규제 감사가 필요할 때 제약 언어와 형식 온톨로지를 필요에 따라 단계적으로 더하는 것이 실용적인 출발점이다.

가장 유망한 형태는 완전 자율 진화가 아니다. LLM이 후보를 넓게 제안하고, 온톨로지와 제약이 후보를 좁히며, 사람과 운영 테스트가 변경을 승인하는 구조다. 즉 온톨로지는 LLM을 대신하는 두뇌가 아니라, 여러 두뇌와 도구가 같은 세계에서 안전하게 협력하도록 만드는 공유 계약에 가깝다.

불확실성과 한계

• 2026년 최신 논문은 arXiv 프리프린트이며 독립 재현과 동료심사가 완료되지 않았다.
• ‘ontology’, ‘knowledge graph’, ‘semantic memory’가 논문마다 다른 수준의 형식성을 뜻한다.
• 장기 운영 비용, 조직별 손익분기점, 벡터 RAG 대비 총소유비용을 일반화할 근거가 부족하다.
• 논문 벤치마크의 정확도 향상을 실제 에이전트의 안전성 향상으로 직접 환산할 수 없다.

참고 자료

전체 서지와 출처 메타데이터는 sources/bibliography.md와 sources/sources.jsonl에 기록했다. 핵심 논문은 Pan et al.의 LLM–KG 로드맵(arXiv:2306.08302), Think-on-Graph(ICLR 2024), KG-Agent(ACL 2025), LLM 온톨로지 생성 연구(arXiv:2503.05388, 2504.17402), Zep(arXiv:2501.13956), AgentPoison(NeurIPS 2024)이다.

함께 읽기

• 1. 온톨로지 에이전트: 의미를 아는 AI를 만드는 방법

출처

• src_001 — Gruber, T. R. (1993). A Translation Approach to Portable Ontology Specifications. 원문
• src_002 — W3C. (2012). OWL 2 Web Ontology Language Document Overview. 원문
• src_003 — W3C. (2017). Shapes Constraint Language (SHACL). 원문
• src_004 — Pan, S. et al. (2023). Unifying Large Language Models and Knowledge Graphs: A Roadmap. arXiv:2306.08302. 원문
• src_005 — Sun, J. et al. (2024). Think-on-Graph. ICLR 2024. 원문
• src_006 — Zhang, J. et al. (2025). KG-Agent. ACL 2025. 원문
• src_007 — Lippolis, A. S. et al. (2025). Ontology Generation using Large Language Models. arXiv:2503.05388. 원문
• src_008 — Lippolis, A. S. et al. (2025). Assessing the Capability of LLMs for Domain-Specific Ontology Generation. arXiv:2504.17402. 원문
• src_009 — Raman, V., & Aravindh, V. R. (2025). Evo-DKD. arXiv:2507.21438. 원문
• src_010 — Rasmussen, P. et al. (2025). Zep. arXiv:2501.13956. 원문
• src_011 — Chen, Z. et al. (2024). AgentPoison. NeurIPS 2024. 원문
• src_012 — Agrawal, G. et al. (2024). Can Knowledge Graphs Reduce Hallucinations in LLMs? NAACL 2024. 원문
• src_013 — Zhou, T. et al. (2024). CogMG. ACL 2024. 원문
• src_014 — Lacasse, S. et al. (2026). MOSS. arXiv:2607.04391. 원문
• src_015 — Hakim, S. B. et al. (2026). ANNEAL. arXiv:2605.16309. 원문
• src_016 — Markaj, A. et al. (2026). Towards an Intention Abstraction Layer for Autonomous Industrial Systems. arXiv:2607.14553. 원문
• src_017 — Kampars, J. et al. (2025). LLM-supported collaborative ontology design for data and knowledge management platforms. Frontiers in Big Data. 원문