우리는 검색 증강 생성 (RAG, Retrieval-Augmented Generation)을 이용한 정책 학습을 위한 1단계 및 2단계 방법을 제안합니다. 우리는 잠재적 결과 프레임워크 (Potential Outcome Framework) 하에서 RAG 기반의 행동 선택을 공식화합니다. 2단계 방법에서, 벡터 검색 (Vector Search)은 임베딩 공간 (Embedding Space)에서 행동별 인접 증거를 검색하고, 생성기 (Generator)는 조건부 기대 결과 또는 그 차이를 추정하며, 플러그인 규칙 (Plug-in Rule)이 행동을 선택합니다. 이러한 공식화는 행동별 벡터 검색을 인과 추론 (Causal Inference)에서의 최근접 이웃 매칭 (Nearest-Neighbor Matching)과 연결합니다. 우리는 2단계 방법의 후회 (Regret)를 후보 생성 후회 (Candidate-generation Regret)와 후보 내 선택 후회 (Within-candidate Choice Regret)로 분해하며, 최근접 이웃 추정기 (Nearest-neighbor Estimators) 및 트랜스포머 (Transformers)를 위한 예측 오차 보장 (Prediction-error Guarantees)을 사용하여 후자를 제한합니다. 우리는 중간 계산 과정이 관찰되지 않기 때문에 1단계 방법을 정책으로서 직접 평가합니다.