Agentic RAG 4장 카드뉴스

AI 트렌드 분야에서 쓰이는 Agentic Retrieval-Augmented Generation(에이전트형 검색 증강 생성)의 약자로, 검색과 생성 사이에 스스로 판단하는 에이전트를 끼운 구조입니다. 2025년 1월 서베이 논문은 반성·계획·도구 사용·다중 에이전트 협업 패턴을 파이프라인에 넣어 검색 전략을 상황에 맞게 바꾸는 방식으로 정의합니다. 기존 RAG가 질문 한 번에 검색 한 번이라면, 에이전틱 RAG는 질문을 쪼개고 결과를 본 뒤 다시 검색합니다. 정확도는 오르지만 지연 시간과 토큰 비용이 함께 늘어납니다.

RAG는 Retrieval-Augmented Generation, 검색으로 근거를 찾아 답을 만드는 방식입니다. 여기에 에이전틱이 붙으면, 도서관에서 책 한 권만 뽑아 오는 대신 목차를 훑고 부족하면 다시 서가로 가는 사서가 붙은 셈이에요. 질문이 복잡할수록 여러 번 찾아보는 쪽이 정확하지만, 그만큼 시간과 비용이 더 들어갑니다.

케이스 1: 네이버 플레이스 — Backoffice AI Agent 네이버 플레이스는 사내 운영 지식 검색을 위해 RAG와 MCP를 결합한 에이전트를 만들었습니다. 질의를 정규화한 뒤 밀버스 기반 벡터 검색과 BM25 검색을 함께 돌리고 RRF로 합친 다음 LLM 리랭커를 거칩니다. 도구 호출 여부는 모델이 스스로 판단합니다. 도입효과: 응답 만족도 약 2배, 응답 속도 1.4배, 토큰 사용