ㅁ 주요 예시

1. Agentic RAG

ㅇ 정의:
대규모 언어 모델(LLM)에 검색 증강 생성(RAG, Retrieval-Augmented Generation) 기능과 에이전트(Agent) 기능을 결합하여, 단순 문서 검색+응답 생성이 아니라 동적으로 여러 도구를 호출하고, 계획을 세워 순차적으로 작업을 수행하는 방식.

ㅇ 특징:
– 검색 결과를 단순 삽입하는 RAG와 달리, 에이전트가 검색 시점과 범위를 스스로 판단.
– 외부 API, 데이터베이스, 계산기 등 다양한 툴을 연계하여 복합 작업 처리.
– 다단계 추론(Multi-step reasoning)과 의사결정 로직을 포함.
– 응답 품질이 검색 데이터의 신뢰성과 에이전트의 계획 능력에 의존.

ㅇ 적합한 경우:
– 단순 질의응답이 아닌, 여러 출처의 정보를 종합하여 결론을 도출해야 하는 과제.
– 실시간 데이터 조회 및 분석이 필요한 업무(예: 주식 분석, 최신 뉴스 요약).
– 도구 호출과 검색 타이밍이 중요한 복합 시나리오.

ㅇ 시험 함정:
– 단순 RAG와 Agentic RAG의 차이를 혼동하게 하는 문제 출제.
– Agentic RAG가 반드시 LLM 내부 검색만 사용하는 것으로 오해 유도.
– ‘계획’과 ‘검색’의 순서를 고정된 절차로 묘사하는 함정.

ㅇ 시험 대비 “패턴 보기” 예시:
O: “Agentic RAG는 검색과 도구 호출을 동적으로 조합하여 다단계 추론을 수행한다.”
X: “Agentic RAG는 항상 검색을 먼저 수행한 후에만 응답을 생성한다.”

ㅁ 추가 학습 내용

학습 정리

1. Agentic RAG의 내부 구성 요소와 역할
– Planner: 질의 해결을 위한 전체 계획을 수립하고, 단계별 실행 순서를 결정
– Executor: Planner가 제시한 계획에 따라 실제 작업을 수행하며, 검색·생성·도구 호출 등의 행동을 실행
– Memory: 이전 대화나 작업 결과를 저장·관리하여, 후속 의사결정과 실행에 참고

2. 구성 요소 간 상호작용
– Planner는 Memory에 저장된 과거 정보와 현재 질의를 바탕으로 계획 수립
– Executor는 Planner의 지시에 따라 필요한 경우 외부 검색이나 도구 호출을 수행
– 실행 결과는 Memory에 저장되어 이후 계획 수립과 실행에 반영

3. 기존 RAG 대비 장단점
– 장점: 능동적 의사결정 가능, 다양한 도구 활용, 상황에 맞춘 검색 시점 조절, 복잡한 질의 처리에 유리
– 단점: 구조와 구현이 복잡, 실행 비용 증가 가능, 잘못된 의사결정 시 성능 저하 위험

4. 오픈소스 구현 예시
– LangChain: Agent와 RAG를 결합하여 검색과 생성 과정을 에이전트가 주도
– LlamaIndex: Agentic Query Engine을 통해 질의 처리 과정에서 능동적 의사결정과 검색 수행

5. ‘Agentic’ 용어의 의미
– 단순히 에이전트 기반이라는 의미를 넘어, 능동적 의사결정과 다양한 도구 활용을 포함

6. 핵심 전략 및 로직 이해
– 도구 선택 전략(tool selection strategy): 질의 해결에 적합한 도구를 상황에 맞게 선택하는 방법
– 검색 타이밍 결정 로직(search trigger logic): 언제 외부 검색을 수행할지 결정하는 기준과 절차