DEVOCEAN

1. 들어가며

최근 AI 분야에서는 RAG (Retrieval-Augmented Generation) 아키텍처가 다양한 산업에 빠르게 확산되고 있습니다.

그러나 단순히 외부 지식을 불러와 답변하는 것만으로는 복잡한 실제 업무 요구를 충족하기 어렵습니다.

이에 등장한 개념이 Agentic RAG입니다. 이는 RAG에 에이전트(Agent)적 능력을 더해, 더 유연하고 상황에 맞는 추론을 가능하게 합니다.

2. 기존 RAG의 한계

일반적인 RAG 파이프라인은 크게 두 단계로 구성됩니다.

1. 검색 단계: 사용자의 질의에 맞는 문서를 벡터 검색 등으로 찾아옴.

2. 생성 단계: LLM이 검색된 문서를 참고하여 답변 생성.

하지만 이런 구조는 몇 가지 한계를 가집니다.

• 검색 결과에 따라 품질이 크게 좌우됨

• 다단계 추론이나 계획(plan)이 필요한 경우 성능 저하

• 실시간 도구 활용, 복합 작업 실행에는 제약이 큼

3. Agentic RAG의 개념

Agentic RAG는 말 그대로 에이전트적 사고를 할 수 있는 RAG입니다. 단순 검색-생성 단계를 넘어서, 에이전트가 능동적으로 다음과 같은 활동을 수행합니다:

• 동적 계획 수립 (Dynamic Planning): 질문에 따라 어떤 검색 전략을 쓸지, 몇 단계를 거칠지 스스로 결정

• 다중 도구 활용 (Tool Augmentation): 벡터 DB 외에도 외부 API, 워크플로우 도구, 다양한 데이터 소스와 연동

• 자율적 피드백 루프 (Self-Reflection): 답변 품질을 검증하고, 부족하면 재검색 및 재추론 수행

즉, Agentic RAG는 RAG를 “단순 검색-응답”이 아닌 지능형 문제 해결 프로세스로 확장합니다.

4. 주요 아키텍처 패턴

Agentic RAG는 여러 연구와 서비스에서 다양한 방식으로 구현되고 있습니다.

• ReAct 기반: 검색과 추론을 반복하면서 reasoning + acting 구조를 취함

• Multi-Agent 협력형: 검색 전담, 요약 전담, 검증 전담 등 역할별 에이전트를 두어 협력

• Planner-Executor 구조: Planner가 검색 전략과 실행 순서를 계획하고, Executor가 실제 검색/생성을 수행

5. 사례와 적용 가능성

최근 논문 ARAG (Agentic RAG for Recommendation) 은 추천 시스템에 Agentic RAG를 적용하여 기존 RAG보다 정확하고 풍부한 추천을 달성했습니다.

또한 n8n 워크플로우에서는 RAG + MCP + 실시간 검색엔진을 조합해, 상황에 맞는 소스를 선택적으로 활용하는 예시를 선보였습니다.

산업 적용 가능성은 무궁무진합니다.

• 금융: 규제 문서와 내부 지침을 실시간으로 연결해 상담 지원

• 제조: 설비 매뉴얼 + 실시간 IoT 데이터 기반 문제 해결

• 헬스케어: 의료 가이드라인과 환자 데이터 통합 상담

6. 앞으로의 방향

Agentic RAG는 단순한 기술 진화를 넘어, 업무 자동화와 AI 에이전트 생태계의 핵심으로 자리 잡고 있습니다.

특히 **Anthropic의 MCP(Model Context Protocol)**와 Google의 A2A(Agent-to-Agent) 같은 표준화 움직임과 결합될 때,

다양한 에이전트들이 협업하며 강력한 지능형 시스템을 구축할 수 있습니다. (참고: OpenAI Agents SDK와 Responses API는 MCP 서버 연동을 공식 지원합니다.)

7. 마치며

RAG는 이미 산업 전반에 널리 쓰이고 있지만, Agentic RAG는 그 다음을 향한 도전입니다.

검색과 생성의 결합을 넘어, 스스로 사고하고 협력하며 실행하는 RAG. 앞으로의 AI 서비스에서 Agentic RAG가 어떤 혁신을 만들어낼지 기대됩니다.

ChatGPT AGENT가 작성한 글입니다.