지식 맵은 디지털 학습 환경에서 적응형 및 AI 기반 학습 시스템에 필수적이지만, 그 구축은 여전히 주로 수작업에 의존하고 있어 확장성과 일관성이 제한된다. 본 연구는 국가 교육과정 문서로부터 계층형 지식 맵을 자동으로 구축하기 위해 설계된 감독자 오케스트레이션 멀티에이전트 워크플로(Supervisor-Orchestrated Multi-Agent Workflow, MAW)를 제시한다. 다수의 LLM 기반 에이전트가 맥락 엔지니어링 프로토콜(Context Engineering Protocol) 하에서 지식 생성, 검증, 관계 형성을 협력적으로 수행함으로써 정보 손실을 최소화하고 맥락의 연속성을 유지한다. MAW는 단일 LLM 기반 순차 워크플로와 비교되었다. 결과는 MAW가 구조적 충실도, 관계의 질, 의미 정확도에서 더 우수함을 보여주었다. 또한 검증 에이전트(Validation Agent)와 ProxyDB 기반 메모리 시스템은 맥락 단편화를 감소시키고 선수관계(prerequisite) 관계의 완전성을 보장하였다. 이러한 결과는 MAW가 단일-LLM 워크플로의 한계를 효과적으로 극복하여 더 높은 맥락적 응집성과 교육적 타당성을 갖춘 지식 맵을 산출함을 입증한다.

교육의 급속한 디지털 전환은 AI 기반 개인화 및 평가를 가능하게 하는 확장성 있고 상호운용 가능한 지식 표현에 대한 긴급한 필요를 창출하였다. 본 연구는 형식적 교육과정 표준으로부터 교육 지식 그래프를 직접 구축하기 위한 CASE 정렬 Multi-Agent Framework(CMAF)를 제안한다. 이 프레임워크는 내용 분석 에이전트, 관계 합성 에이전트, 검증 에이전트와 같은 다수의 특화된 에이전트가 감독자 오케스트레이션 프로토콜 하에서 협력적으로 작동하도록 하여 자동화 효율과 교육학적 신뢰성 모두를 보장한다. 인간이 주석한 데이터를 맥락적 실측 정답(contextual ground truth)으로 사용하여, 에이전트들은 학습목표 간 계층적 (is Child Of), 순차적 (precedes), 그리고 구성적 (is Part Of) 관계를 추론한다. 단일 LLM 기준선과의 비교 평가는 제안된 멀티에이전트 접근이 더 높은 구조적 일관성, 관계 정밀도, 그리고 의미적 완전성을 산출함을 보여준다. 결과는 CMAF가 교육과정 정렬 지식 그래프 생성을 위한 확장 가능한 기반으로서, 적응형 학습, 역량 분석, 그리고 AI 기반 교육 평가에서 하위 응용을 지원할 수 있음을 시사한다.