‼️ 개인 학습 내용으로, 오류가 있을 수 있습니다.
논문 URL - https://arxiv.org/abs/2501.09136
논문을 읽으며 생각할 것들
저자가 이 논문을 통해 이루고자 한 것은 무엇인가?
- 에이전트 RAG 구조의 세부 분류 체계를 제시하고, 의료·금융·교육 등의 산업 분야에서의 주요 응용 사례를 강조하며, 실용적인 구현 전략을 분석한다.
-
배경
-
문제점
-
RAG(검색 증강 생성)은 실시간 데이터 검색 기능을 통합하여 LLM의 성능을 향상시키고, 맥락에 맞는 최신 정보를 기반으로 한 응답을 제공하는 솔루션으로 부상했다.
-
그러나 전통 RAG 시스템은 정적인 워크플로우에 제한되어 있어 다단계 추론과 복잡한 작업 관리에 필요한 적응성이 부족한 한계를 지닌다.
-
-
해결 방안
- 에이전틱 RAG는 RAG 파이프라인에 자율적 AI 에이전트를 내장함으로써 이러한 한계를 극복한다.
- 에이전트는 반성(reflection), 계획(planning), 도구 활용(tool use), 다중 에이전트 협업(multi-agent collaboration)과 같은 에이전트 설계 패턴을 활용하여, 동적으로 검색 전략을 관리하고, 맥락적 이해를 반복적으로 개선하며, 순차적 단계부터 적응적 협업까지 명확한 운영 구조를 통해 워크플로우를 조정한다.
-
논문의 핵심 요소는 무엇인가?
01. Agentic RAG의 기본 원리
-
에이전트를 RAG 파이프라인에 통합하여 동적 검색 전략, 맥락 이해, 반복적 개선을 가능하게 하며, 정밀성과 적응성이 요구되는 시나리오에서 기존 RAG보다 뛰어난 성능을 보인다.
1) LLM : 추론 엔진 역할(사용자 질의 해석, 응답 생성, 대화 일관성 유지)
2) 메모리 시스템:
- 단기 메모리: 현재 대화 상태 및 즉시 맥락 추적
- 장기 메모리: 축적된 지식·경험을 벡터 DB에 저장해 재사용
3) 계획 및 자기 검토:
- 반복적 추론: 복잡 작업을 단계별로 분해하여 실행(예: "Maker-Checker" 프로세스)
- 자기 비판(Self-Critique): 생성 결과의 정확성·적절성 평가 후 수정
4) 도구 통합
- 벡터 검색: 의미 기반 문서 검색
- 웹 검색/API: 실시간 데이터 수집(예: 주가·날씨 정보)
- 전문 계산 도구: 수학적 분석·시뮬레이션 수행
02. 분류 체계
- 단일/멀티 에이전트 Agentic RAG
- 계층적 Agentic RAG(다단계 구조)
- Agentic corrective RAG(반복적 평가 및 수정하여 오류 최소화)
- Adaptive RAG(동적으로 검색 및 응답 전략 조정)
- 그래프 기반 Agentic RAG(그래프 지식 베이스와 비정형 문서 검색 통합)
- GeAR(Graph-enhanced Agent for Retrieval-augmented Generation)(Multi-hop 검색 시나리오에 적합)
- Agentic Document Workflows (ADW)(자동화 작업 시스템)
03. 응용 사례
-
마케팅
- 고객 지원 및 가상 비서- 그래프 기반 멀티모달 워크플로우(텍스트·이미지·영상 등 멀티모달 데이터 통합)
-
의료
- 보건 의료와 맞춤 의료 -
법률
- 법률 및 계약 분석
-
금융
- 금융 및 리스크 분석 -
교육
- 교육 및 개인화 학습
논문에서 내가 활용할 것은 무엇인가?
- Agentic RAG의 Tool, Framework를 실습하며 성능 비교(특히, LangChain, LangGrpah)
참고할 다른 논문은 무엇인가?
-
LLM
-
survey 논문
-
llm-based ai chatbots = https://arxiv.org/pdf/2406.16937
-
Digital Diagnostics = https://arxiv.org/pdf/2405.06712
-
-
RAG
- Agent-G = https://openreview.net/pdf?id=g2C947jjjQ
- Graph RAG survey 논문 = https://arxiv.org/pdf/2408.08921
-
LangChain
- https://arxiv.org/pdf/2403.05568
데이터 분석가