2nd/10_Wiki/Topics/AI_and_ML/Agentic RAG.md

---

id: P-Reinforce-AUTO-AGR-001 category: AI_and_ML confidence_score: 1.00 tags: [auto-reinforced, agentic-rag, self-rag, multi-hop-reasoning, autonomous-agent, rag] last_reinforced: 2026-05-04

Agentic RAG

📌 한 줄 통찰 (The Karpathy Summary)

"스스로 생각하고 검색하는 자율형 AI: 고정된 파이프라인을 따르지 않고, AI 에이전트가 문제 해결을 위해 스스로 검색 전략을 수립하고, 결과를 비판적으로 분석하며, 필요시 추가 정보를 능동적으로 수집하는 지능형 검색 체계."

📖 구조화된 지식 (Synthesized Content)

에이전틱 RAG(Agentic RAG)는 AI 에이전트가 도구(Tool)를 활용하여 지식 수집 및 생성 과정을 자율적으로 제어하는 고급 RAG 아키텍처입니다.

1. 자율적 워크플로우 (Autonomous Workflow):

   • 계획 수립 (Planning): 질문을 분석하여 어떤 정보를 어디서 검색할지 결정합니다.
   • 도구 활용 (Tool Use): Vector Database, 웹 검색, API 등을 상황에 맞게 호출합니다.
   • 자기 반성 (Self-Reflection): 검색된 정보가 충분한지, 생성된 답변에 모순이 없는지 스스로 검토(Self-Critique)합니다.
   • 반복 개선 (Iteration): 정보가 부족하다고 판단되면 새로운 검색 쿼리를 생성하여 과정을 반복합니다.

2. 핵심 기법:

   • Multi-hop Reasoning: 흩어져 있는 여러 정보를 연결하여 복잡한 인과관계를 추론합니다.
   • Corrective RAG (CRAG): 검색 결과의 품질을 평가하고, 부적절할 경우 대체 검색원(예: 웹)을 가동하여 오류를 수정합니다.
   • Self-RAG: 생성된 텍스트의 각 구절이 출처에 기반하는지 실시간으로 검증합니다.

3. 지식의 고도화:

   • 단순 검색을 넘어, 정보를 비판적으로 수용하고 Knowledge Graph와 결합하여 고밀도의 지식 아키텍처를 구축하는 데 기여합니다.

⚖️ Trade-offs & Caveats

• 무한 루프 리스크: 에이전트가 명확한 결론에 도달하지 못하고 유사한 검색을 반복하는 무한 루프에 빠질 수 있습니다. (검색 예산 및 타임아웃 설정 필수)
• 지연 시간 및 비용: 다단계 추론과 반복적 LLM 호출로 인해 응답 속도가 느려지고 운영 비용이 크게 증가합니다.
• 불투명한 의사결정: 에이전트가 왜 특정 정보를 검색하기로 결정했는지 추론 과정(Chain of Thought)을 모니터링하기 위한 가시성(Production Observability) 도구가 반드시 동반되어야 합니다.

💻 실전 구현 코드 (Boilerplate)

에이전트가 스스로 검색 필요성을 판단하고 도구를 호출하는 LangGraph 스타일의 개념 구조입니다.

from langgraph.graph import StateGraph, END

# 1. 에이전트 상태 정의
class AgentState:
    query: str
    context: list
    answer: str
    steps: int

# 2. 노드 정의: 검색이 필요한지 판단
def judge_retrieval(state):
    if "모르겠어" in state.answer or not state.context:
        return "retrieve"
    return "finalize"

# 3. 노드 정의: 자가 반성 및 루프 제어
def self_reflect(state):
    if state.steps > 3: return END
    # 답변 품질 검증 로직...
    return "improve"

# 4. 그래프 구성
workflow = StateGraph(AgentState)
workflow.add_node("retrieve", search_tool)
workflow.add_node("generate", llm_generate)
# ... 조건부 엣지 및 루프 설정

🔗 지식 연결 (Graph)

• 기반 기술: Retrieval-Augmented Generation (RAG), Self-Reflection
• 핵심 아키텍처: Multi-hop Reasoning, Adaptive RAG
• 운영 체계: Production Observability, Chain of Thought

---

Last updated: 2026-05-04