ㅁ 검색 생성 융합

ㅇ 정의:
– Retrieval-Augmented Generation Plus(RAG+)는 기존 RAG 구조에 추가적인 후처리, 전처리, 필터링, 재순위화, 멀티소스 검색 등을 결합하여 생성 모델의 답변 정확도와 신뢰성을 높이는 기술.

ㅇ 특징:
– 검색 단계에서 다중 데이터 소스 활용 가능
– 검색 결과에 대한 재순위화 및 필터링 적용
– 생성 단계 전후로 품질 검증 로직 포함
– LLM의 환각(hallucination) 감소 효과

ㅇ 적합한 경우:
– 도메인 특화 지식이 필요한 QA 시스템
– 최신성·정확성이 중요한 보고서 생성
– 법률, 의료 등 오류 허용 범위가 낮은 분야

ㅇ 시험 함정:
– 단순 RAG와 RAG+의 차이를 ‘데이터 소스 개수’로만 한정하는 경우 (X)
– 재순위화나 필터링 없이도 RAG+라고 부르는 경우 (X)
– 후처리 로직이 포함된 검색-생성 구조를 RAG+로 분류하는 것은 (O)

ㅇ 시험 대비 “패턴 보기” 예시:
– “RAG+는 검색 후 생성만 수행하는 구조이다.” → X
– “RAG+는 검색 결과 재순위화를 수행할 수 있다.” → O
– “RAG+는 단일 데이터 소스만 사용한다.” → X
– “RAG+는 생성 모델의 환각을 줄이기 위한 품질 검증을 포함할 수 있다.” → O

ㅁ 추가 학습 내용

RAG+의 핵심은 단순한 검색과 생성의 결합이 아니라, 검색 결과의 품질을 높이기 위한 다양한 품질 관리 절차가 포함된다는 점이다. 여기에는 전처리, 후처리, 재순위화, 필터링, 멀티소스 검색, 메타데이터 기반 검색 강화 등이 포함된다. 시험에서는 RAG와 RAG+의 차이를 검색 소스의 수로만 구분하는 함정이 자주 출제되므로, 품질 관리 로직의 포함 여부를 기준으로 구분해야 한다. RAG+는 Knowledge Distillation, Active Learning, Feedback Loop 기반 개선과도 결합될 수 있으며, 이를 통해 지속적인 성능 향상이 가능하다. 최신 동향에서는 벡터 검색과 하이브리드 검색(벡터+키워드)을 결합한 형태의 RAG+가 많이 활용되고 있다.