로컬 우선 정보 수집 MAS

로컬 우선 정보 수집 MAS = 내부 DB, CSV, 문서 같은 신뢰 가능한 로컬 정보를 먼저 확인하고, 없거나 부족할 때만 외부 웹 검색으로 보강하는 External Information MAS 패턴이다.
실습에서는 질병명을 입력받아 disease.db, disease_info.csv, 웹 검색을 조건부로 사용했다.
핵심은 모든 질문을 곧바로 웹으로 보내지 않고, 로컬 지식 기반을 먼저 확인하는 것이다.

전체 아키텍처

Mermaid스크롤로 확대 · 드래그로 이동

정보 출처별 역할 분리

노드 / 에이전트	정보 출처	역할
`entry_node`	SQLite + CSV	로컬에 질병 정보가 있는지 확인
`db_agent`	`disease.db`	권장 식단과 운동 조회
`csv_agent`	`disease_info.csv`	증상과 주의사항 조회
`web_agent`	Tavily / Web	로컬에 없을 때 외부 검색
`reporter`	수집된 messages	최종 리포트 생성

로컬 데이터가 있을 때

Mermaid스크롤로 확대 · 드래그로 이동

당뇨가 DB와 CSV에 있으면 웹 검색을 하지 않는다.
내부 정보가 충분하면 외부 검색 비용과 불확실성을 줄일 수 있다.

로컬 데이터가 없을 때

Mermaid스크롤로 확대 · 드래그로 이동

로컬 데이터가 없으면 Fallback으로 웹 검색을 사용한다.
이때 reporter는 웹 정보의 신뢰도와 출처를 보수적으로 다뤄야 한다.

코드에서 중요한 포인트

Python

entry_node는 답변을 만드는 노드가 아니라 라우팅 판단에 필요한 state를 채우는 노드다.

Python

이 라우터는 LangGraph Conditional Fan-out이다.
로컬 정보가 있으면 두 agent를 동시에 실행한다.
로컬 정보가 없으면 웹 agent만 실행한다.

Python

reporter는 여러 agent가 누적한 메시지를 읽어 최종 답변을 만든다.

SQLite / CSV / Web의 차이

출처	장점	한계
SQLite DB	구조화된 조회, 정확한 키 검색	DB에 없는 내용은 못 찾음
CSV	만들기 쉽고 실습에 적합	규모가 커지면 관리가 어려움
Web	최신 정보 가능	신뢰도·출처 검증 필요

RAG Agent로 보강하는 경우

DB Agent, CSV Agent, Web Agent가 모두 충분한 정보를 찾지 못하면 RAG Agent로 넘길 수 있다.
이때 RAG Agent는 내부 PDF, 강의자료, 매뉴얼, 보고서 등을 벡터 데이터베이스에서 의미 기반으로 검색한다.
로컬 DB/CSV는 정확한 key 조회에 강하고, RAG Agent는 표현이 달라도 의미가 비슷한 문서를 찾는 데 강하다.
따라서 운영 구조는 정형 데이터 조회 -> 웹 검색 또는 RAG 보강 -> Reporter 종합처럼 설계할 수 있다.

Mermaid스크롤로 확대 · 드래그로 이동

운영 설계 감각

실습에서는 SQLite와 CSV를 mock 데이터로 썼다.
운영에서는 보통 PostgreSQL, MySQL, 문서 검색 시스템, 벡터 DB, 사내 API를 함께 쓴다.
의료·금융처럼 중요한 도메인에서는 웹 검색 결과를 그대로 믿지 말고, 출처 검증·안전 문구·사람 검토를 붙인다.
사용자 개인 정보나 내부 DB 내용을 외부 검색 프롬프트에 섞지 않도록 조심한다.

한 줄 정리

로컬 우선 정보 수집 MAS는 내부 지식 기반을 먼저 보고, 없을 때만 외부 검색으로 fallback하는 멀티 에이전트 아키텍처다.

관련

로컬 우선 정보 수집 MAS

로컬 우선 정보 수집 MAS = 내부 DB, CSV, 문서 같은 신뢰 가능한 로컬 정보를 먼저 확인하고, 없거나 부족할 때만 외부 웹 검색으로 보강하는 External Information MAS 패턴이다.

실습에서는 질병명을 입력받아 disease.db, disease_info.csv, 웹 검색을 조건부로 사용했다.

핵심은 모든 질문을 곧바로 웹으로 보내지 않고, 로컬 지식 기반을 먼저 확인하는 것이다.

정보 출처별 역할 분리

노드 / 에이전트	정보 출처	역할
`entry_node`	SQLite + CSV	로컬에 질병 정보가 있는지 확인
`db_agent`	`disease.db`	권장 식단과 운동 조회
`csv_agent`	`disease_info.csv`	증상과 주의사항 조회
`web_agent`	Tavily / Web	로컬에 없을 때 외부 검색
`reporter`	수집된 messages	최종 리포트 생성

코드에서 중요한 포인트

Python

def entry_node(state: AgentState):
    disease = state["disease"]
    ...
    return {"found": in_db or in_csv}

entry_node는 답변을 만드는 노드가 아니라 라우팅 판단에 필요한 state를 채우는 노드다.

Python

def route(state: AgentState):
    if state["found"]:
        return ["db_agent", "csv_agent"]
    return ["web_agent"]

이 라우터는 LangGraph Conditional Fan-out이다.

로컬 정보가 있으면 두 agent를 동시에 실행한다.

로컬 정보가 없으면 웹 agent만 실행한다.

Python

collected = "\n\n".join(m.content for m in state["messages"])

reporter는 여러 agent가 누적한 메시지를 읽어 최종 답변을 만든다.

출처

장점

한계

SQLite DB

구조화된 조회, 정확한 키 검색

DB에 없는 내용은 못 찾음

CSV

만들기 쉽고 실습에 적합

규모가 커지면 관리가 어려움

Web

최신 정보 가능

신뢰도·출처 검증 필요

RAG Agent로 보강하는 경우

DB Agent, CSV Agent, Web Agent가 모두 충분한 정보를 찾지 못하면 RAG Agent로 넘길 수 있다.

이때 RAG Agent는 내부 PDF, 강의자료, 매뉴얼, 보고서 등을 벡터 데이터베이스에서 의미 기반으로 검색한다.

로컬 DB/CSV는 정확한 key 조회에 강하고, RAG Agent는 표현이 달라도 의미가 비슷한 문서를 찾는 데 강하다.

따라서 운영 구조는 정형 데이터 조회 -> 웹 검색 또는 RAG 보강 -> Reporter 종합처럼 설계할 수 있다.

Mermaid스크롤로 확대 · 드래그로 이동

운영 설계 감각

실습에서는 SQLite와 CSV를 mock 데이터로 썼다.

운영에서는 보통 PostgreSQL, MySQL, 문서 검색 시스템, 벡터 DB, 사내 API를 함께 쓴다.

의료·금융처럼 중요한 도메인에서는 웹 검색 결과를 그대로 믿지 말고, 출처 검증·안전 문구·사람 검토를 붙인다.

사용자 개인 정보나 내부 DB 내용을 외부 검색 프롬프트에 섞지 않도록 조심한다.

로컬 우선 정보 수집 MAS