## 핵심 주장 1. **Agentic RAG의 정의**: LLM이 벡터 저장소에서 컨텍스트를 검색할지 아니면 사용자에게 직접 응답할지를 **자율적으로 판단**하는 RAG 시스템 2. **기존 RAG와의 차이**: - 기존 RAG: 무조건 검색 → 생성 (항상 외부 문서 필요) - Agentic RAG: LLM이 검색 필요 여부를 판단 → 선택적 검색 3. **3단계 워크플로우**: 문서 전처리 → 의미론적 색인화 → Agentic RAG 시스템 구축 4. **도구 활용**: 검색 도구(retriever tool)를 LLM이 필요할 때만 호출 ## 주요 내용 ### 3단계 구현 프로세스 #### 1. 문서 준비 및 전처리 - 검색에 사용될 문서 수집 - 텍스트 정제 및 포맷팅 - 청크 단위로 분할 #### 2. 의미론적 색인화 - 문서를 벡터로 변환 (Embedding) - 벡터 저장소에 색인화 - 유사도 검색 기반 구성 #### 3. Agentic RAG 시스템 구축 - LLM(Agent)에 검색 도구(Retriever Tool) 제공 - Agent가 도구 사용 필요 여부 판단 - 필요시에만 검색 → 그 결과로 응답 생성 ## 기존 지식과의 연결 ### RAG의 진화 | 유형 | 특징 | 검색 패턴 | |------|------|---------| | **Naive RAG** | 간단한 검색-생성 | 항상 검색 (조건 없음) | | **Advanced RAG** | 쿼리 최적화·리랭킹·멀티홉 | 최적화된 검색 | | **Agentic RAG** | LLM 자율 판단 | 필요시만 검색 | ### 관련 개념 - [[ai/llm/concepts/rag/rag]]: RAG의 기본 개념 - [[ai/llm/concepts/agents/ai-agent]]: Agent의 자율성 - [[ai/llm/concepts/agents/langgraph]]: Agent 구현 프레임워크 ## 인용할 만한 구절 > "검색 에이전트는 **LLM(Large Language Model)이 벡터 저장소에서 컨텍스트를 검색할지 아니면 사용자에게 직접 응답할지 결정해야 할 때 유용**하다."