Research Areas — 5개 영역

Open LLMO Research Initiative는 작업을 다섯 연구 영역으로 나눠 진행한다. 각 영역은 독립적으로 운영되지만, 궁극적으로 LLMOFramework Score의 지표 체계로 통합된다.

개요

영역	핵심 질문
1. AI Citation Analysis	LLM은 어떤 콘텐츠를, 어떤 조건에서 인용하는가?
2. Grounding Visibility	AI의 grounding 출처를 어떻게 가시화할 수 있는가?
3. LLM Retrieval Optimization	문서를 LLM 검색 계층에 어떻게 최적화할 것인가?
4. AI-native Documentation	LLM이 가장 잘 다루는 문서 포맷은 무엇인가?
5. Agent-oriented Information Architecture	AI 에이전트가 가장 쉽게 탐색할 수 있는 정보 구조는 무엇인가?

---

1. AI Citation Analysis

범위

특정 토픽에 대해 LLM(ChatGPT, Claude, Gemini, Perplexity)이 어떤 콘텐츠를 인용하는지 분석. 인용 빈도, 인용된 문서의 구조적 특징, 인용에 이르는 retrieval 경로를 관찰 대상으로 한다.

주요 질문

• 같은 토픽에 대해 인용 도메인이 LLM 간에 어느 정도 겹치는가?
• 인용된 문서의 구조적 특징(헤딩 계층, 표, 통계 밀도, 외부 링크 수 등)을 특정할 수 있는가?
• 콘텐츠를 후천적으로 인용되기 쉽게 만드는 체크리스트를 구축할 수 있는가?

현재 방향

AI 인용 관측 데이터 수집을 시작했다. Phase 1 계획: OSS llmo-checker에 Citation Visibility 지표로 구현 예정.

---

2. Grounding Visibility

범위

AI 응답에 대한 grounding 가시화. LLM이 답을 생성할 때 무엇을 근거로 했는지, 그 근거가 검증 가능한 일차 정보로 추적되는지를 다룬다.

주요 질문

• AI 응답에서 근거 문서로 거꾸로 추적하는 표준 방법을 정의할 수 있는가?
• 사이트에서 grounding을 “보이게” 만드는 설계(출처 명시, 데이터 출처 인용, 인용 포맷)는 AI 인용률에 영향을 주는가?
• 환각(hallucination)과 grounding 약함은 상관관계가 있는가?

현재 방향

LLMO Framework의 다섯 번째 컴포넌트인 Citation Signals로 부분적으로 이미 다루고 있다. Phase 1 계획: Grounding Stability 지표로 정량화 시도.

---

3. LLM Retrieval Optimization

범위

LLM의 검색 계층(RAG, embedding retrieval, 웹 검색 플러그인 등)에 대해 문서 측에서 할 수 있는 최적화. chunking 전략, semantic structure, 문서 길이, 헤딩 설계가 연구 대상.

주요 질문

• chunk 크기와 retrieval 정밀도의 관계는 토픽별로 어떻게 달라지는가?
• Markdown, HTML, JSON-LD의 retrieval 효율 차이는 어느 정도인가?
• 내부 링크 밀도는 AI 검색의 맥락 확장에 어떻게 기여하는가?

현재 방향

llmoframework.com 자체가 구현 레퍼런스가 되고 있다. Phase 1 계획: chunking 비교 실험 공개 예정.

---

4. AI-native Documentation

범위

LLM이 읽고 쓰기 좋은 문서 포맷 연구. llms.txt, Markdown 관례, AI 향 메타데이터의 최적 형태를 다룬다.

주요 질문

• llms.txt는 실제로 어떤 LLM과 크롤러가 참조하는가?
• Markdown과 HTML 각각의 retrieval 효율과 표현력의 최적점은 어디인가?
• AI 향 구조화 메타데이터(JSON-LD 등)는 인용률에 영향을 주는가?

현재 방향

llms.txt 구현과 효과 측정을 지속 중. Phase 1 계획: llms.txt-validator OSS 도구 공개 예정.

---

5. Agent-oriented Information Architecture

범위

AI 에이전트(Claude Code, Cursor, 자율 agent 등)가 정보를 취득·조작하기 쉬운 IA 연구. MCP(Model Context Protocol) 노출, API 문서 설계, 검색 가능성을 다룬다.

주요 질문

• MCP 서버를 공개한 사이트는 AI 검색 가시성에서 우위를 점할 수 있는가?
• agent-readable한 API 문서(OpenAPI + 자연어)는 일반 API 레퍼런스보다 검색되기 쉬운가?
• 자율 agent의 탐색 행동을 관찰하는 방법을 확립할 수 있는가?

현재 방향

MCP 노출의 검색 가시성 영향 검증 중. Phase 1 계획: Agent Visibility의 예비 지표 제안 예정.

---

Phase 매핑

영역	Phase 1 예정 산출물
AI Citation Analysis	llmo-checker의 Citation Visibility 지표
Grounding Visibility	Grounding Stability 지표 + 평가 데이터셋
LLM Retrieval Optimization	chunking 비교 실험 리포트
AI-native Documentation	llms.txt-validator OSS
Agent-oriented IA	Agent Visibility 예비 지표

각 영역의 진행 상황은 Changelog와 GitHub Issues에 공개한다.