RAG와 Agentic RAG의 차이점

RAG는 LLM에 외부 지식에 대한 접근을 제공합니다.

Agentic RAG는 한 단계 더 나아가, 작업에 대해 추론하고, 무엇을 할지 계획하며, 도구를 사용하고, 검색 또는 행동을 조정할 수 있습니다.

자세히 살펴보겠습니다:

01 — 전통적인 RAG (Traditional RAG)
흐름은 비교적 간단합니다:

사용자 질의(User Query)
→ 임베딩(Embedding)
→ 벡터 데이터베이스(Vector Database)
→ 관련 정보(Relevant Information)
→ LLM
→ 답변(Answer)

어떤 정보를 검색해야 하는지 이미 알고 있을 때 잘 작동합니다.

적합한 경우:
• 문서 질의응답 (Document Q&A)
• 지식 기반 (Knowledge bases)
• 내부 회사 데이터
• FAQ 시스템
• 검색 기반 어시스턴트

02 — Agentic RAG
하나의 고정된 검색 경로를 따르는 대신, AI 에이전트는 작업에 접근하는 방법을 결정할 수 있습니다.

사용자 질의(User Query)
→ 에이전트(Agent)
→ 계획 + 메모리 (Planning + Memory)
→ 도구 / 데이터 소스 (Tools / Data Sources)
→ 결과(Result)
→ 응답(Response)

에이전트는 어떤 정보가 필요한지, 어떤 도구를 사용할지, 어떤 행동을 취할지 결정할 수 있습니다.

적합한 경우:
• 복잡한 연구 (Complex research)
• 다단계 작업 (Multi-step tasks)
• 도구 사용 어시스턴트 (Tool-using assistants)
• 동적 지식 검색 (Dynamic knowledge retrieval)
• 행동이 필요한 워크플로우 (Workflows requiring actions)

03 — Multi-Agent RAG
이제 여러 전문 에이전트가 협업할 수 있습니다.

집계(Aggregator) 에이전트는 서로 다른 작업을 처리할 수 있는 에이전트들을 조정하며, 메모리와 계획은 맥락을 제공합니다.

예를 들어:

연구 에이전트(Research Agent) → 정보 수집
에이전트 2(Agent 2) → 다른 소스 검색
에이전트 3(Agent 3) → 클라우드/데이터 시스템 작업
집계기(Aggregator) → 결과 결합
생성 모델(Generative Model) → 최종 출력 생성

MCP가 들어갈 곳:

MCP는 에이전트와 외부 도구, 데이터 소스 및 서비스 간의 표준화된 연결 계층 역할을 할 수 있습니다.

이는 에이전트들이 모든 통합을 처음부터 구축할 필요 없이 다양한 시스템과 상호 작용하는 것을 더 쉽게 만듭니다.

간단한 차이점:

RAG → 지식 검색 (Retrieves knowledge)

Agentic RAG → 추론 + 계획 + 검색 + 도구 사용 (Reasons + plans + retrieves + uses tools)

Multi-Agent RAG → 여러 에이전트가 협력하여 복잡한 작업을 해결 (Multiple agents collaborate to solve complex tasks)

중요한 변화는 다음의 전환입니다:

고정된 검색(Fixed retrieval) → 동적 추론 및 행동(Dynamic reasoning and action)

더 많은 AI, 도구, 자동화 및 기술 통찰력을 얻으려면 @AamirAnsar94694를 팔로우하세요.

#AI #RAG #AgenticAI #AIAgents #GenerativeAI #LLM #MCP #AIEngineering
[image: https://pbs.twimg.com/media/HUMf2BHbQAAwq7K.jpg