Agent LAB

에이전트 Lab - 5

주녕콩 2025. 6. 6. 01:55
05강 : What Is agentic RAG?

 

🚀 Agentic RAG: 똑똑한 AI의 비밀 병기! 🤖 기본 RAG를 넘어선 차세대 정보 탐색 ✨

 

안녕하세요, AI 기술에 관심 많은 여러분! 🤗 오늘은 기존 RAG(Retrieval Augmented Generation)에서 한 단계 더 진화한 에이전트릭 RAG (Agentic RAG) 에 대해 쉽고 재미있게 알아보려고 해요. 마치 SF 영화 속 지능형 비서처럼, 복잡한 질문도 척척 해결하는 에이전트릭 RAG의 세계로 함께 떠나볼까요? ✈️

📚 기본 RAG vs 에이전트릭 RAG: 뭐가 다를까?

먼저, 기본 RAG에 대해 간단히 짚고 넘어갈게요.

  • 기본 RAG (Retrieval Augmented Generation): 사용자의 질문(쿼리)을 받으면, 📖 데이터베이스에서 관련된 정보를 쏙쏙 찾아내요. 그리고 이 정보를 LLM(거대 언어 모델)의 컨텍스트에 추가해서, 더 정확하고 풍부한 답변을 생성하도록 돕는 방식이죠. 마치 똑똑한 도서관 사서와 같아요!

하지만, 에이전트릭 RAG는 여기서 한 걸음 더 나아갑니다! 🚀

  • 에이전트릭 RAG (Agentic RAG): 기본 RAG 구조에 "에이전트(Agent)" 라는 아주 특별한 능력을 가진 친구를 도입해요. 이 에이전트는 단순한 정보 검색을 넘어, 스스로 생각하고 계획하며 문제를 해결하는 만능 해결사랍니다! 🦸‍♀️
💡 "에이전트릭 RAG는 기본 RAG의 발전된 형태입니다. 에이전트라는 개념을 도입하여 더 높은 수준의 기능을 제공해요."

🌟 에이전트릭 RAG의 핵심 기능 4가지!

그렇다면 이 똑똑한 에이전트는 어떤 특별한 능력을 가지고 있을까요?

1️⃣ 쿼리 분석 및 계획 수립 🗺️ 사용자가 질문을 던지면, 에이전트는 먼저 "음... 이 질문에 답하려면 어떤 정보가 필요하고, 어떤 단계를 거쳐야 할까?" 🤔 하고 고민해요. 그리고 마치 탐정처럼, 답변을 찾기 위한 여러 단계의 작은 작업 계획을 꼼꼼하게 세운답니다.

🗣️ "the agent performs an analysis of the query to create a plan of smaller tasks to use the data sources and tools it will need to answer that query" 복잡한 질문일수록 이런 계획 수립 능력은 빛을 발하죠! ✨ "우리는 개념부터 코드까지, AI 에이전트 구축의 기본을 다룰 것입니다(we're going to take you from concept to code covering the fundamentals of building AI agents)"라는 말처럼, 에이전트는 목표 달성을 위해 능동적으로 움직이는 주체예요.

2️⃣ 정보 검증 및 반복 처리 ✅🔄 계획에 따라 정보를 찾았다고 끝이 아니에요! 에이전트는 "이 정보가 질문에 답하기에 충분한가?" 🧐 하고 꼼꼼히 검증해요. 만약 정보가 부족하다면, 필요한 정보를 얻을 때까지 도구를 호출(tool calling)하는 등의 과정을 끈기 있게 반복한답니다.

🗣️ "after that information is retrieved from those systems the agent can verify if the information is enough to answer that query if not it can repeat this process of tool calling until it does"

3️⃣ 장기 기억 능력 🧠💾 정말 멋진 기능 중 하나는 바로 장기 기억 능력이에요! 에이전트는 이전에 시도했던 과정들을 기억할 수 있어요. 그래서 과거의 실패로부터 배우고, 다음 시도에서는 더 나은 결과를 만들어낼 수 있답니다. 마치 경험 많은 베테랑 같죠? 😉

🗣️ "what is really great about this is that the agent can maintain long-term memory of this process so it can recall the previous attempts it tried to answer the query and improve the next time without taking no step"

4️⃣ 다양한 도구 및 시스템 연동 🛠️🔌 에이전트릭 RAG의 강력한 장점! 바로 RAG를 통한 정보 검색뿐만 아니라, 다양한 외부 도구(플러그인 등)를 활용하여 정보를 얻거나 작업을 수행할 수 있다는 거예요. 예를 들어, 데이터베이스에는 없는 실시간 날씨 정보가 필요하다면? "날씨 정보 플러그인(weather info plugin)"을 호출해서 현재 온도를 알아올 수 있죠! 🌡️

🗣️ "it's not only to do the retrieval part but to combine those elements to other tools and things to get information to answer the query of the user"

💻 코드로 살짝 엿보기: Semantic Kernel & Azure AI Search

에이전트릭 RAG, 실제로 어떻게 구현할 수 있을까요? 🤔 예를 들어, Semantic Kernel과 Azure AI Search를 함께 사용하면 멋진 에이전트릭 RAG 시스템을 구축할 수 있어요.

  • Semantic Kernel: AI 에이전트 개발을 도와주는 오픈소스 SDK예요. 복잡한 작업을 조율하고, 플러그인을 연결하는 역할을 하죠.
  • Azure AI Search: 강력한 검색 기능을 제공해서, 방대한 문서에서 필요한 정보를 빠르게 찾아낼 수 있도록 도와줘요. (마치 "Travel documents" 예시처럼 여행 관련 문서에서 정보를 찾는 거죠!)
  • 플러그인 (Plugins): 특정 기능을 수행하는 모듈이에요. PromptPlugin을 사용하면, 에이전트에게 검색된 컨텍스트와 사용자 쿼리를 기반으로 어떤 행동을 해야 할지 지시할 수 있답니다. 📝

🎯 에이전트릭 RAG의 장점 및 활용 사례: 복잡한 쿼리도 문제없어!

에이전트릭 RAG는 특히 복잡하고 여러 단계의 정보가 필요한 쿼리를 처리하는 데 아주 유용해요.

🗣️ "one of the things is that with the gentle we can handle more complex type of queries than just you know the basic rag"

예를 들어, 사용자가 "추천할 만한 추운 지역 여행지와 그곳의 평균 기온은?" 🥶🏞️ 이라고 질문했다고 해볼게요. 기본 RAG로는 한 번에 답하기 어려울 수 있지만, 에이전트릭 RAG는 다음과 같이 처리할 수 있어요:

  1. 쿼리 분석 및 계획: "추운 지역 여행지" 정보와 "평균 기온" 정보가 필요하군!
  2. RAG 검색: "Travel documents" 데이터베이스에서 "추운 지역 여행지" 목록을 검색 🏔️.
  3. 플러그인 호출: "날씨 정보 플러그인"을 사용해 검색된 여행지들의 평균 기온을 조회 🌡️.
  4. 정보 통합 및 답변 생성: 두 가지 정보를 종합하여 사용자에게 답변!
🗣️ "we've done both a rag context as well as a function call so that was that" (RAG 컨텍스트와 함수 호출을 모두 수행하여 답변을 성공적으로 생성했다는 의미)

✨ 결론: 에이전트릭 RAG, AI의 미래! 🌟

에이전트릭 RAG는 단순히 정보를 검색해서 제공하는 것을 훨씬 뛰어넘어요. 사용자의 쿼리를 깊이 이해하고 (🧐), 목표 달성을 위한 계획을 세우며 (🗺️), 다양한 도구와 시스템을 자유자재로 활용하고 (🛠️), 검색된 정보를 꼼꼼히 검증하며 (✅), 심지어 과거의 경험으로부터 배우는 (🧠) "진짜 에이전트" 의 능력을 RAG 프레임워크에 결합한 혁신적인 기술이라고 할 수 있습니다!

덕분에 기본 RAG로는 처리하기 어려웠던 복잡하고 다층적인 사용자 요청에도 훨씬 더 지능적이고 유연하게 응답할 수 있게 되었죠. 앞으로 에이전트릭 RAG가 만들어갈 더 똑똑한 AI의 미래가 정말 기대됩니다! 🤩 여러분도 이 놀라운 기술에 계속 주목해주세요! 😉