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

Mermaid스크롤로 확대 · 드래그로 이동
Copy

DB/CSV/Web Agent와 RAG Agent 차이

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

Mermaid스크롤로 확대 · 드래그로 이동
Copy

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

PythonCopy

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)