# [[Agentic RAG]]

## 📌 Brief Summary
에이전틱 RAG(Agentic RAG)는 고정된 파이프라인을 따르는 기존의 검색 증강 생성(RAG) 방식에서 벗어나, 시스템이 스스로 사고하고 행동하는 자율적인 의사결정 능력을 갖춘 진화된 아키텍처입니다 [1, 2]. 이 시스템은 다단계 검색 전략을 계획하고, 무엇을 언제 검색할지 결정하며, 중간 결과를 바탕으로 질의를 반복하거나 다양한 출처의 정보를 합성합니다 [1, 3]. 궁극적으로 단순한 정보 '전달' 도구를 넘어, 논리적 추론을 통해 모순을 해결하고 사용자의 복잡한 요구사항을 자율적으로 '수행'하는 지능형 비서 역할을 합니다 [2, 4].

## 📖 Core Content
* **자율적 의사결정과 다단계 추론:** 에이전틱 RAG는 단순한 '검색 후 생성(Retrieve and Generate)'의 단일 단계를 넘어 자율적인 결정권을 갖습니다 [1, 5]. 사용자의 질문이 모호할 경우 되묻거나, 검색된 정보가 부족하다고 판단되면 추가 검색을 수행하며, 정보 간의 충돌이 발생할 경우 논리적 추론을 통해 모순을 해결합니다 [2]. 이를 통해 대규모 지식 기반 전반에 걸친 복잡하고 다단계적인 추론(Multi-step reasoning)을 완벽하게 처리합니다 [1].
* **다중 에이전트 오케스트레이션(Multi-Agent Orchestration):** 복잡한 엔터프라이즈 워크플로우를 처리하기 위해 여러 특화된 에이전트가 협력하는 시스템으로 진화하고 있습니다 [5]. 예를 들어, 정보 공간을 탐색하는 '리서치 에이전트', 권위 있는 출처를 바탕으로 사실을 확인하는 '검증 에이전트', 결과를 결합하는 '합성 에이전트', 그리고 접근 정책 준수를 보장하는 '거버넌스 에이전트'가 각자의 역할을 수행하여 고도의 지식 작업을 완성합니다 [5].
* **도구 활용 및 자기 반성(Self-Reflection):** 에이전트는 작업 요구사항에 따라 검색, 계산 및 추론 도구를 능동적으로 조정합니다 [6]. 하드코딩된 워크플로우 로직 없이도 스스로 정보 수집 전략을 계획하고, 검색 작업을 실행한 뒤, 그 결과를 관찰하고 품질을 반성(Reflect)하여 접근 방식을 유연하게 조정합니다 [6]. 확신이 낮을 경우 정보의 공백을 파악해 추가 검색을 트리거하며, API를 통한 외부 데이터 수집이나 구조화된 보고서 생성까지 직접 수행할 수 있습니다 [3, 6].

## ⚖️ Trade-offs & Caveats
* **무한 검색 루프(Infinite Retrieval Loops)의 위험:** 에이전트가 최종 답변에 수렴하지 못하고 유사한 정보를 반복적으로 가져오는 무한 루프에 빠질 수 있는 부작용이 존재합니다 [7]. 이를 방지하기 위해서는 쿼리당 최대 검색 예산(Maximum retrieval budgets)을 설정하고, 루프 감지 알고리즘을 적용해야 하며, 에이전트가 각각의 검색 행동에 대해 예상되는 정보 획득량을 정당화하도록 요구하는 제약이 필요합니다 [7].
* **추론 과정의 불투명성(Opaque Reasoning):** 에이전트의 자율성이 높아짐에 따라 추론 과정이 불투명해져 시스템이 특정한 검색 결정을 내린 이유를 감사(Audit)하기 어려워질 수 있습니다 [7]. 이러한 한계를 완화하려면 에이전트의 추론 사슬(Reasoning chains)에 대한 구조화된 로깅을 의무화하고, 검색 행동을 비즈니스 로직과 연결하여 설명할 수 있는 기능을 구현해야 합니다 [7]. 또한, 해석 가능성을 높이기 위해 계획(Planning)과 실행(Execution)을 분리하는 방식의 아키텍처 설계가 동반되어야 합니다 [7].

---
*Last updated: 2026-05-04*