2nd/10_Wiki/Topics_Blog/RAG.md

id, category, confidence_score, tags, last_reinforced, github_commit

id	category	confidence_score	tags	last_reinforced	github_commit
d7f2e1b4-c3a5-4e8b-9d2f-1c6b4a2d3e4f	10_Wiki/Topics/AI	0.98	rag ai retrieval context agent infrastructure	2026-05-01	wikification-rag

RAG (Retrieval-Augmented Generation)

📌 한 줄 통찰 (The Karpathy Summary)

RAG는 AI 모델의 정보 생성 전 사실적 근거를 외부 데이터에서 검색하여 주입함으로써 환각을 억제하며, 현대 에이전틱 시스템에서는 모델이 자율적으로 도구를 호출하여 필요한 정보를 점진적으로 확보하는 '능동적 지식 확장' 전략으로 진화했다.

📖 구조화된 지식 (Synthesized Content)

1. 에이전틱 RAG (Agentic RAG)의 부상

• 수동적 검색에서 자율 호출로: 단순히 사용자 쿼리 시점에 문서를 일괄 주입하는 방식에서 벗어나, 에이전트가 추론 과정 중 필요 시 검색 도구(Keyword, Semantic, SQL 등)를 직접 호출하여 정보를 가져온다.
• 점진적 컨텍스트 보강: 에이전트는 각 단계에서 필요한 최소한의 정보만 가져옴으로써 인지 부하를 줄이고 추론의 정확도를 높인다.

2. 검색 증강 컨텍스트 관리

• 장기 메모리 구현: 에이전트의 상호작용 기록 전체를 저장하고, 현재 작업과 연관된 하위 집합(Subset)만을 검색해 컨텍스트 윈도우에 주입함으로써 장기 실행 작업의 일관성을 유지한다.
• 압축 및 추출: Haystack 등 프레임워크를 통해 검색된 정보의 압축 및 핵심 추출 과정을 거쳐 모델에 전달한다.

3. GraphRAG: 지식 그래프와의 결합

• 관계 기반 추론: 벡터 검색의 한계인 다단계(Multi-hop) 질문이나 전체적인 요약 문제를 해결하기 위해, 문서 간의 관계를 매핑한 지식 그래프와 결합하여 고도화된 의미론적 회상을 구현한다.

4. MCP와의 상호작용

• 지식 검색 vs 작업 실행: RAG가 정보의 '수동적/능동적 검색'을 통한 사실성 확보에 주력한다면, MCP는 에이전트가 외부 시스템에서 작업을 '실행'하고 소통하는 표준을 제공하여 상호 보완한다.

⚠️ 모순 및 업데이트 (Contradictions & RL Update)

• 지연 시간 오버헤드: 매 단계 검색 쿼리가 추가됨에 따라 전체 실행 시간이 선형적으로 증가하며, 이는 하네스 차원의 인덱스 예열 및 캐싱으로 최적화해야 한다.
• 검색 게임화 (Adversarial RAG): 외부 데이터에 조작된 유사 콘텐츠가 섞여 있을 경우 에이전트가 악의적 지시문을 최우선으로 검색할 위험이 있으며, 출처 기반 가중치 부여가 필수적이다.
• 긴 컨텍스트 모델과의 경합: 초장기 컨텍스트 모델이 등장함에 따라 모든 데이터를 직접 주입하는 방식과 RAG 검색 방식 사이의 비용-성능 균형점이 변화하고 있다.

🔗 지식 연결 (Graph)

• Parent: 10_Wiki/Topics/AI
• Related: Context Engineering, Agentic Search, GraphRAG (그래프 기반 검색 증강 생성), Model Context Protocol (MCP)
• Raw Source: 00_Raw/RAG (Retrieval-Augmented Generation)

💻 GitHub 동기화 자동화 워크플로우

1. Stage: git add .
2. Commit: git commit -m "[P-Reinforce] Wikify RAG (Retrieval-Augmented Generation)"
3. Push: git push origin main