(위 이미지를 클릭하면 이 강의의 영상을 볼 수 있습니다)
이 강의는 Agentic Retrieval-Augmented Generation (Agentic RAG)에 대한 포괄적인 개요를 제공합니다. 이는 대규모 언어 모델(LLM)이 외부 소스에서 정보를 가져오면서 다음 단계를 자율적으로 계획하는 새로운 AI 패러다임입니다. 정적인 정보 검색 후 읽기 패턴과 달리, Agentic RAG는 LLM에 반복적으로 호출하며 도구나 함수 호출 및 구조화된 출력을 교차적으로 사용합니다. 시스템은 결과를 평가하고, 쿼리를 수정하며, 필요 시 추가 도구를 호출하고, 만족스러운 솔루션이 나올 때까지 이 과정을 반복합니다.
이 강의에서는 다음 내용을 다룹니다:
이 강의를 완료한 후, 다음을 이해하거나 수행할 수 있습니다:
Agentic Retrieval-Augmented Generation (Agentic RAG)은 대규모 언어 모델(LLM)이 외부 소스에서 정보를 가져오면서 다음 단계를 자율적으로 계획하는 새로운 AI 패러다임입니다. 정적인 정보 검색 후 읽기 패턴과 달리, Agentic RAG는 LLM에 반복적으로 호출하며 도구나 함수 호출 및 구조화된 출력을 교차적으로 사용합니다. 시스템은 결과를 평가하고, 쿼리를 수정하며, 필요 시 추가 도구를 호출하고, 만족스러운 솔루션이 나올 때까지 이 과정을 반복합니다. 이러한 반복적인 “Maker-Checker” 스타일은 정확성을 개선하고, 잘못된 쿼리를 처리하며, 고품질 결과를 보장합니다.
시스템은 추론 과정을 적극적으로 소유하며, 실패한 쿼리를 다시 작성하고, 다른 검색 방법을 선택하며, 여러 도구를 통합합니다. 예를 들어 Azure AI Search의 벡터 검색, SQL 데이터베이스 또는 사용자 지정 API를 사용하여 최종 답변을 완성합니다. Agentic 시스템의 차별화된 특징은 추론 과정을 소유하는 능력입니다. 기존 RAG 구현은 사전 정의된 경로에 의존하지만, Agentic 시스템은 발견한 정보의 품질에 따라 단계 순서를 자율적으로 결정합니다.
Agentic Retrieval-Augmented Generation (Agentic RAG)은 LLM이 외부 데이터 소스에서 정보를 가져오는 것뿐만 아니라 다음 단계를 자율적으로 계획하는 AI 개발의 새로운 패러다임입니다. 정적인 정보 검색 후 읽기 패턴이나 신중하게 스크립트화된 프롬프트 시퀀스와 달리, Agentic RAG는 LLM에 반복적으로 호출하며 도구나 함수 호출 및 구조화된 출력을 교차적으로 사용합니다. 매 단계마다 시스템은 얻은 결과를 평가하고, 쿼리를 수정할지 여부를 결정하며, 필요 시 추가 도구를 호출하고, 만족스러운 솔루션이 나올 때까지 이 과정을 반복합니다.
이 반복적인 “Maker-Checker” 스타일의 운영은 정확성을 개선하고, 구조화된 데이터베이스(예: NL2SQL)에 대한 잘못된 쿼리를 처리하며, 균형 잡힌 고품질 결과를 보장하도록 설계되었습니다. 신중하게 설계된 프롬프트 체인에만 의존하는 대신, 시스템은 추론 과정을 적극적으로 소유합니다. 실패한 쿼리를 다시 작성하고, 다른 검색 방법을 선택하며, 여러 도구를 통합합니다. 예를 들어 Azure AI Search의 벡터 검색, SQL 데이터베이스 또는 사용자 지정 API를 사용하여 최종 답변을 완성합니다. 이는 지나치게 복잡한 오케스트레이션 프레임워크의 필요성을 제거합니다. 대신, “LLM 호출 → 도구 사용 → LLM 호출 → …”의 비교적 간단한 루프를 통해 정교하고 근거 있는 출력을 생성할 수 있습니다.
시스템을 “Agentic”으로 만드는 차별화된 특징은 추론 과정을 소유하는 능력입니다. 기존 RAG 구현은 모델이 무엇을 검색하고 언제 검색할지를 미리 정의된 경로에 의존합니다. 하지만 시스템이 진정으로 Agentic일 때는 문제를 접근하는 방법을 내부적으로 결정합니다. 단순히 스크립트를 실행하는 것이 아니라, 발견한 정보의 품질에 따라 단계 순서를 자율적으로 결정합니다.
예를 들어, 제품 출시 전략을 생성하라는 요청을 받았을 때, 전체 연구 및 의사 결정 워크플로우를 명시하는 프롬프트에만 의존하지 않습니다. 대신, Agentic 모델은 독립적으로 다음을 결정합니다:
이 모든 단계—쿼리 수정, 소스 선택, 답변에 만족할 때까지 반복—은 모델이 결정하며, 인간이 사전에 스크립트화하지 않습니다.
Agentic 시스템은 반복적 상호작용 패턴에 의존합니다:
시간이 지남에 따라, 이는 진화하는 이해의 감각을 만들어내며, 모델이 복잡하고 다단계 작업을 인간의 지속적인 개입이나 프롬프트 재구성이 필요 없이 탐색할 수 있게 합니다.
Agentic RAG의 자율성은 강력한 자기 수정 메커니즘도 포함합니다. 시스템이 막다른 길에 도달했을 때—예를 들어, 관련 없는 문서를 검색하거나 잘못된 쿼리를 만났을 때—다음과 같은 작업을 수행할 수 있습니다:
이 반복적이고 역동적인 접근 방식은 모델이 지속적으로 개선되도록 하며, 단순히 한 번의 시도로 끝나는 시스템이 아니라 주어진 세션 동안 실수를 통해 학습하는 시스템이 되도록 합니다.
특정 작업 내에서의 자율성에도 불구하고, Agentic RAG는 인공지능 일반 지능(AGI)과 동일하지 않습니다. 그 “Agentic” 능력은 인간 개발자가 제공한 도구, 데이터 소스, 정책에 제한됩니다. 자체 도구를 발명하거나 설정된 도메인 경계를 벗어날 수 없습니다. 대신, 제공된 자원을 동적으로 조율하는 데 뛰어납니다.
더 발전된 AI 형태와의 주요 차이점은 다음과 같습니다:
Agentic RAG는 반복적 수정과 정밀성이 요구되는 시나리오에서 빛을 발합니다:
이러한 시스템이 추론에서 더 자율적이 됨에 따라, 거버넌스와 투명성이 중요합니다:
행동 기록을 명확히 제공하는 도구가 필수적입니다. 그렇지 않으면 다단계 프로세스를 디버깅하는 것이 매우 어려울 수 있습니다. Chainlit을 개발한 Literal AI의 Agent 실행 예제를 참조하세요:
Agentic RAG는 AI 시스템이 복잡하고 데이터 집약적인 작업을 처리하는 방식에서 자연스러운 진화를 나타냅니다. 반복적 상호작용 패턴을 채택하고, 도구를 자율적으로 선택하며, 고품질 결과를 달성할 때까지 쿼리를 수정함으로써, 시스템은 정적인 프롬프트 추종을 넘어 더 적응적이고 컨텍스트를 인식하는 의사 결정자로 발전합니다. 여전히 인간이 정의한 인프라와 윤리적 지침에 의해 제한되지만, 이러한 Agentic 능력은 기업과 최종 사용자 모두에게 더 풍부하고 역동적이며 궁극적으로 더 유용한 AI 상호작용을 가능하게 합니다.
Azure AI Foundry Discord에 참여하여 다른 학습자들과 만나고, 오피스 아워에 참석하며 AI Agents에 대한 질문을 해결하세요.
면책 조항:
이 문서는 AI 번역 서비스 Co-op Translator를 사용하여 번역되었습니다. 정확성을 위해 최선을 다하고 있으나, 자동 번역에는 오류나 부정확성이 포함될 수 있습니다. 원본 문서의 원어 버전을 권위 있는 자료로 간주해야 합니다. 중요한 정보의 경우, 전문적인 인간 번역을 권장합니다. 이 번역 사용으로 인해 발생하는 오해나 잘못된 해석에 대해 당사는 책임을 지지 않습니다.