먼저 솔직히 말하자면, 많은 사람이 RAG라고 하면 단 하나의 패턴만 떠올립니다. 질문을 벡터(Vector)로 변환하고, 데이터베이스에서 유사한 것을 찾아내는 것으로 끝이죠. 하지만 활용할 수 있는 방법은 이보다 훨씬 다양합니다. 자, 8가지를 하나씩 살펴보겠습니다.

1️⃣ Naive RAG 가장 원시적인 형태
질문 임베딩(Embedding)과 데이터베이스 내의 임베딩 간의 유사도를 비교하여, 가장 가까운 것을 가져오는 방식입니다. 단순한 사실 기반 질문의 경우, 의미론적(Semantic)으로 일치하기만 해도 충분하므로 복잡하게 만들 필요가 없습니다.

2️⃣ Multimodal RAG 멀티모달
텍스트, 이미지, 오디오를 모두 함께 넣어 검색할 수 있습니다. 텍스트와 이미지를 동시에 컨텍스트(Context)로 사용하여 답변하고 싶다면 이 방식을 사용하세요.

3️⃣ HyDE Hypothetical Document Embeddings 가설 문서 임베딩
질문과 문서의 의미가 일치하지 않는 상황을 해결하기 위한 전문적인 방법입니다. 먼저 모델이 가짜 답변(Hypothetical Answer)을 생성하게 한 뒤, 그 가짜 답변의 임베딩을 사용하여 데이터베이스에서 실제 문서를 찾습니다. 과정은 복잡해 보이지만 실제로 매우 효과적입니다.

4️⃣ Corrective RAG 자기 교정형
검색해 온 내용들을 먼저 신뢰할 수 있는 출처(예: 웹 검색)와 대조하여, 부정확하거나 오래된 내용을 필터링하거나 수정하여 LLM에 전달합니다.

5️⃣ Graph RAG 그래프
검색된 내용을 지식 그래프(Knowledge Graph)로 만들어 엔티티(Entity) 간의 관계까지 포착합니다. 모델에게 단순한 텍스트 뭉치가 아닌 구조화된 정보를 제공하므로, 추론 능력이 한 단계 격상됩니다.

6️⃣ Hybrid RAG 하이브리드
벡터 검색(Vector Search)과 그래프 검색을 하나의 파이프라인(Pipeline)에 함께 구성합니다. 비구조화된 텍스트와 구조화된 관계가 모두 필요한 작업에 매우 유용합니다.

7️⃣ Adaptive RAG 적응형
스스로 판단합니다. 이 질문이 단순히 한 번 검색하면 될 문제인지, 아니면 다단계 추론이 필요한 문제인지 결정합니다. 복잡한 문제는 작은 문제들로 나누어 더 넓은 범위를 커버하고 더 정확하게 답변합니다.

8️⃣ Agentic RAG 에이전트
AI 에이전트(Agent)를 도입하여 계획(Planning), 추론(ReAct, CoT), 메모리(Memory) 기능을 갖추고 여러 소스를 조율합니다. 도구 호출, 외부 API 연결, 여러 RAG 방식이 혼합된 복잡한 프로세스를 처리할 수 있습니다.

하지만 찬물을 좀 끼얹어야겠습니다.

이 8가지 방식은 기본적으로 검색 시의 의사결정에 집중하고 있지만, 모두 이미 구축된 인덱스(Index) 위에서 작동합니다. 인덱싱 단계에서 잘라낸 청크(Chunk)가 엉망이라면, 이후의 아키텍처가 아무리 화려해도 소용없습니다. 따라서 인덱스 최적화는 이 8가지와는 별개의 영역이므로 혼동해서는 안 됩니다.

핵심은 검색 알고리즘, 리랭커(Reranker), 임베딩(Embedding) 모델은 전혀 건드릴 필요가 없다는 것입니다.