KSCOLD LogoKSCOLD
Blog
Feed
Product
Admin Night
Vault
Guestbook
Info

Vault 목록

RAG Agent

연결된 노트와 함께 읽기

RAG Agent

2026년 7월 16일

RAG Agent

  • RAG Agent = RAG(Retrieval-Augmented Generation) 검색 기능을 도구처럼 가지고, 필요한 문서를 찾아 LLM 답변에 붙여주는 에이전트다.
  • DB Agent, CSV Agent, Web Agent가 각각 정해진 출처를 조회한다면, RAG Agent는 문서 묶음이나 벡터 DB에서 의미 기반으로 관련 내용을 찾는다.
  • 실습 관점에서는 DB/CSV/Web에서 검색이 안 되거나 부족할 때 RAG Agent로 보강한다고 이해하면 좋다.

왜 필요한가

  • DB Agent는 정확한 key가 있어야 잘 찾는다.

    • 예: 고혈압, 당뇨처럼 DB에 등록된 질병명.
    • 사용자가 비슷한 말이나 긴 증상을 말하면 못 찾을 수 있다.
  • CSV Agent는 파일 안에 있는 컬럼과 값 중심으로 찾는다.

    • 구조는 단순하지만 의미 기반 검색에는 약하다.
  • Web Agent는 최신 정보에는 강하지만 출처 신뢰도, 개인정보 유출, 검색 품질 문제가 있다.

  • RAG Agent는 문서를 청킹(Chunking)하고 임베딩(Embedding)해서 벡터 데이터베이스에 넣어둔 뒤, 질문과 의미가 가까운 문서를 찾아온다.

    • 정확히 같은 단어가 없어도 비슷한 의미의 문서를 찾을 수 있다.
    • 사내 문서, PDF, 매뉴얼, 강의자료, 보고서 검색에 적합하다.

전체 구조

MERMAID

DB/CSV/Web Agent와 RAG Agent 차이

구분주로 찾는 방식강점약점
DB AgentSQL / key 조회정확하고 구조화된 데이터등록되지 않은 표현에 약함
CSV Agent파일 row/column 조회실습·소규모 데이터에 쉬움검색·확장성이 약함
Web Agent외부 웹 검색최신 정보출처 신뢰도 관리 필요
RAG Agent의미 기반 문서 검색비슷한 의미의 문서 검색 가능인덱싱 품질, 청킹 품질에 영향 받음

RAG Agent가 쓰이는 상황

  • 사용자가 DB에 없는 표현으로 질문할 때

    • 예: DB에는 고혈압이 있는데 사용자는 혈압이 높은 사람 식단이라고 말함.
  • CSV에 정확한 row가 없을 때

    • 예: CSV에는 증상, 치료법만 있는데 사용자는 긴 문장으로 생활 관리법을 물어봄.
  • Web 검색이 부정확하거나 너무 넓을 때

    • 예: 웹에는 광고성 글이 많고, 실제로는 내부 PDF 자료를 참고해야 함.
  • PDF, 강의자료, 매뉴얼, 사내 지식 문서를 참고해야 할 때

    • 예: OCR, PyMuPDF, VLM으로 문서를 텍스트화한 뒤 벡터 DB에 넣고 검색.

동작 흐름

MERMAID

LangGraph 관점

  • RAG Agent는 하나의 노드로 둘 수 있다.
  • 또는 retrieve_node, grade_node, rewrite_node, answer_node로 나눠 작은 RAG 워크플로우를 만들 수도 있다.
  • 정보가 부족하면 RAG Agent로 보내는 구조는 Fallback과 Routing Workflow가 결합된 형태다.
  • 검색 결과가 충분한지 평가하고 부족하면 재검색하는 구조는 Agentic RAG에 가깝다.

의사 코드

Python

구현할 때 중요한 것

  • RAG Agent를 쓰려면 먼저 문서를 인덱싱해야 한다.

    • PDF 추출: PyMuPDF
    • 스캔 문서: OCR, VLM
    • 청킹: 청킹(Chunking)
    • 임베딩: 임베딩(Embedding)
    • 저장: 벡터 데이터베이스
  • RAG Agent는 마법처럼 모르는 정보를 찾는 게 아니다.

    • 벡터 DB에 넣어둔 문서 범위 안에서 찾는다.
    • 문서 품질, OCR 품질, 청킹 품질, embedding 품질에 영향을 받는다.
  • 최종 답변에는 가능한 근거 문서의 제목, 페이지, 출처를 같이 붙인다.

한 줄 정리

  • DB/CSV/Web Agent가 못 찾거나 정보가 부족할 때, RAG Agent는 내부 문서와 벡터 DB를 의미 기반으로 검색해서 답변 근거를 보강하는 에이전트다.

관련

  • Agentic RAG
  • RAG(Retrieval-Augmented Generation)
  • Retrieve-Generate 패턴
  • 로컬 우선 정보 수집 MAS
  • Fallback
  • Routing Workflow
  • 벡터 데이터베이스
  • 임베딩(Embedding)
  • 청킹(Chunking)

Synapse Map Insight

def route_after_local_search(state): if state["found"] and state["confidence"] >= 0.8: return "reporter" return "rag_agent" @tool def rag_search_tool(query: str): """내부 문서 벡터 DB에서 관련 문서를 검색할 때 사용한다.""" docs = retriever.invoke(query) return "\n\n".join(doc.page_content for doc in docs) rag_agent = create_react_agent( llm, tools=[rag_search_tool], prompt="너는 내부 문서를 검색해서 근거를 찾아주는 RAG 담당 에이전트다." )