2nd/10_Wiki/Topics_Rag/Agentic RAG.md

id, title, category, status, verification_status, canonical_id, aliases, duplicate_of, source_trust_level, confidence_score, created_at, updated_at, review_reason, merge_history, tags, raw_sources, applied_in, github_commit

id	title	category	status	verification_status	canonical_id	aliases	duplicate_of	source_trust_level	confidence_score	created_at	updated_at	review_reason	merge_history	tags	raw_sources	applied_in	github_commit
agentic-rag	Agentic RAG	AI_and_ML	draft	conceptual		에이전트형 RAG Agentic Retrieval-Augmented Generation Autonomous RAG 에이전트 기반 검색 보강 생성 Dynamic RAG		A	0.92	2026-06-08	2026-06-08			research Agentic RAG LLM AI Agent LangGraph	RAG의 진화: GraphRAG, Agentic RAG, CRAG의 등장 - CSLEE Tech Blog % 5. LangGraph - LangGraph Agentic RAG 학습 매뉴얼 1. RAG 파이프라인 기초 아키텍처	LangGraph Agentic RAG 학습 매뉴얼 (2026.05.06) 교통 분석 사업 검토용 에이전트 설계 사례

Agentic RAG

🎯 한 줄 통찰 (One-line insight)

Agentic RAG는 고정된 파이프라인 대신 AI 에이전트가 사용자 질의에 따라 검색 필요성, 도구 선택, 결과 검증을 스스로 판단하여 실행하는 '자율적 검색 전략' 프레임워크이다 [S280, S293].

🧠 핵심 개념 (Core concepts)

• AI 에이전트 (Agent): RAG 파이프라인에 통합되어 상황에 맞게 검색 전략을 동적으로 수립하고 실행하는 주체이다 [S280].
• ReAct 프레임워크: 추론(Reasoning)과 행동(Acting)을 결합하여, 질문 분석 → 계획 수립 → 도구 실행 → 결과 평가의 루프를 반복한다 [S280, S293].
• 쿼리 라우팅 (Query Routing): 질문 유형에 따라 벡터 DB, 관계형 DB(SQL), 웹 검색 등 가장 적절한 데이터 소스를 선택하여 연결한다 [S281, S294].
• 자기 검증 (Self-Verification): 검색된 정보가 불충분하거나 부정확할 경우 스스로 재검색을 수행하거나 웹 검색으로 보완한다 [S280, S281].

🧩 추출된 패턴 (Extracted patterns)

• Think-Act-Observe 루프: 에이전트가 "생각(이 사업은 교통 관련이니 과거 사업을 찾아야겠다)" → "행동(벡터 DB 검색)" → "관찰(결과 확인 및 추가 검색 판단)"의 과정을 거치는 패턴이다 [S281, S294].
• 복합 질의 분해: 복잡한 질문을 여러 단계의 하위 질문으로 분해하여 순차적으로 해결하고 최종 답변을 종합한다 [S280].
• 멀티 턴 상호작용 (Multi-turn Interaction): 단발성 검색으로 끝내지 않고, 이전 단계의 관찰 결과를 바탕으로 다음 단계의 검색 대상을 동적으로 결정한다 [S281].

📖 세부 내용 (Details)

1. Agentic RAG의 정의 및 특징 [S280, S293]

전통적인 RAG(Naive RAG)가 "질문 → 검색 → 생성"이라는 고정된 단선형 구조를 따르는 것과 달리, Agentic RAG는 에이전트가 워크플로우를 주도한다. 2024년 하반기부터 주목받기 시작한 이 기술은 검색이 정말 필요한지부터 스스로 판단하며, 정보가 부족하면 보조 도구(Web Search 등)를 동원하는 유연성을 가진다.

2. 작동 원리: ReAct 시스템 [S280, S281]

에이전트는 사용자의 질문이 입력되면 다음의 순환 과정을 거친다.

1. 계획 수립: 질문을 분석하고 어떤 도구가 필요한지 결정한다.
2. 도구 실행: 선택된 도구(예: 벡터 검색 API, 웹 브라우저)를 사용하여 정보를 수집한다.
3. 결과 평가: 수집된 정보가 질문에 답하기에 충분한지 판단한다.
4. 최종 답변: 정보가 충분하면 답변을 생성하고, 부족하면 1단계로 돌아가 전략을 수정한다.

3. 주요 구현 도구 [S281, S294]

• LangGraph: 노드와 엣지로 에이전트 워크플로우를 정의하며, 상태(State) 관리가 용이하다.
• LlamaIndex: 에이전트 기반의 문서 워크플로우를 지원하는 기능을 내장하고 있다.
• AutoGen / CrewAI: 여러 에이전트가 협업하여 복잡한 RAG 태스크를 수행하는 멀티 에이전트 환경을 구축한다.

4. 한계점 [S284, S297]

• 비용 및 지연시간: 더 나은 답변을 위해 LLM을 여러 번 호출(추론 루프)하므로 API 비용이 상승하고 응답 속도가 느려진다.
• 복잡성: 에이전트 설계가 정교해질수록 "왜 이런 답변이 나왔는지"에 대한 디버깅과 유지보수가 어려워진다.

⚖️ 모순 및 업데이트 (Contradictions & updates)

• 검증 중심의 진화: RAG 1.0이 '검색 성능'에 집중했다면, Agentic RAG를 포함한 RAG 2.0은 검색의 '적절성'과 '검증'에 집중하는 방향으로 진화하고 있다 [S285, S298].
• 고정 vs 동적: 기존의 Advanced RAG 기법들이 파이프라인의 각 단계를 정교하게 '고정'하는 방식이라면, Agentic은 그 단계 자체를 상황에 따라 '생략하거나 변경'한다 [S280].

🛠️ 적용 사례 (Applied in summary)

• LangGraph 매뉴얼: "LangGraph Agentic RAG 학습 매뉴얼 (2026.05.06)" 글에서 구체적인 구현 방법이 다뤄졌다 [S7, S51].
• 교통 분석 사업 검토: 신규 공고 분석 시 에이전트가 벡터 DB에서 과거 교통 사업을 찾고, 다시 그래프 검색으로 특정 회사의 수주 이력을 확인하여 전략을 제안하는 시나리오가 제시되었다 [S280, S281].

✅ 검증 상태 및 신뢰도

• 상태: draft
• 검증 단계: conceptual
• 출처 신뢰도: A (최신 기술 동향을 반영한 기술 블로그 및 학습 매뉴얼 기반)
• 신뢰 점수: 0.92
• 중복 검사 결과: 신규 생성 (New discovery)

🔗 관련 문서 링크 (Related document links)

상위/유사 개념

[아키텍처/기반 기술]

• RAG 아키텍처 및 파이프라인 기초
  • 연결 이유: Agentic RAG는 기초 RAG 구조를 확장한 차세대 형태임 [S275].
• Advanced RAG 기법
  • 연결 이유: 질의 변환, Re-ranking 등의 고급 기법을 에이전트가 도구로 선택하여 사용함 [S280].

[RAG 2.0 기술군]

• GraphRAG
  • 연결 이유: 에이전트가 개체 간 관계를 파악하기 위해 지식 그래프를 검색 도구로 활용할 수 있음 [S276, S281].
• CRAG (Corrective RAG)
  • 연결 이유: 검색 결과의 품질에 따라 행동(Correct/Incorrect)을 결정하는 에이전트적 속성을 공유함 [S282, S285].

심층 후속 질문 (Deeper Research Questions)

• 에이전트가 무한 루프에 빠지지 않도록 하는 최대 반복 횟수(Max Iterations) 설정의 최적 기준은 무엇인가? [S281]
• 도메인 특화 데이터(예: 법률)에서 에이전트의 '추론 단계' 오류를 줄이기 위한 가드레일 설계 방법은? [S284]
• 멀티 에이전트 환경(CrewAI 등)에서 각 에이전트 간 검색 결과 전달 시 발생하는 정보 손실을 어떻게 방지하는가? [S284]

실무 적용 맥락 (Practical Application Contexts)

• Implementation: LangGraph를 사용하여 상태 기반 에이전트 워크플로우를 구축하고, 벡터 검색과 웹 검색 도구를 연결함 [S281].
• System Design: 단발성 질의에는 Naive RAG를, 복합 분석 질의에는 Agentic RAG를 사용하도록 하는 라우팅 로직 설계 [S281].
• Operation: 에이전트의 생각(Thought) 과정을 로깅하여 답변 생성의 근거를 추적 가능하게 관리 [S284].
• Learning Path: LangChain 기초 → Tool Calling 이해 → ReAct 프레임워크 실습 → LangGraph 기반 Agentic RAG 구축 [S7].

인접 주변 주제

• LLM-as-a-Judge
  • 확장 방향: 에이전트의 검색 적절성과 답변 품질을 상위 모델이 스스로 평가하는 체계 [S219].

🔗 지식 그래프 (Knowledge Graph)

• 상위/루트: RAG 아키텍처 및 파이프라인 기초
• 관련 개념: ReAct 프레임워크, 쿼리 라우팅, 자기 검증, LangGraph
• 참조 맥락: 단순 검색 이상의 복합적인 추론과 다중 소스 활용이 필요한 기업용 AI 에이전트 설계 시 참조.

📚 출처 (Sources)

• [S7] 5. LangGraph - LangGraph Agentic RAG 학습 매뉴얼 (devspoon)
• [S219] LLM-as-a-Judge 평가 자동화 메커니즘 (교보DTS)
• [S275] 전통적 RAG의 한계와 RAG 2.0의 등장 (CSLEE)
• [S280] Agentic RAG의 정의 및 ReAct 작동 원리 (CSLEE)
• [S281] Agentic RAG의 주요 특징 및 구현 도구 (CSLEE)
• [S284] Agentic RAG의 한계와 향후 발전 방향 (CSLEE)

📝 변경 이력 (Change history)

• 2026-06-08: Initial draft generated via Datacollector_MAC P-Reinforce engine.