LLM

에이전트(Agent)와 RAG 쉽게 설명해드릴게요

leon_choi 2025. 4. 21. 23:42
반응형

에이전트(Agent)

에이전트는 AI가 "생각하고 행동할 수 있게" 만드는 시스템입니다. 일반 AI와 다른 점은:

  • 스스로 결정하기: 어떤 질문을 받았을 때, 어떤 도구를 써야 할지 스스로 판단해요
  • 도구 사용하기: 계산기, 검색엔진, 데이터베이스 같은 다양한 도구를 사용할 수 있어요
  • 단계별 처리: 복잡한 작업을 여러 단계로 나누어 해결해요

쉬운 예: 비서처럼 "내일 회의 일정 잡아줘"라고 하면, 캘린더 확인하고, 시간 찾고, 초대장 보내는 모든 과정을 알아서 처리하는 AI입니다.

RAG (Retrieval-Augmented Generation)

RAG는 "검색으로 강화된 생성"이라는 뜻으로, AI가 답변할 때 자기 지식만 쓰는 게 아니라 외부 정보도 찾아보고 답하는 방식입니다.

작동 방식:

  1. 검색(Retrieval): 질문과 관련된 정보를 데이터베이스에서 찾아요
  2. 증강(Augmented): 찾은 정보를 AI의 처리 과정에 추가해요
  3. 생성(Generation): 기존 지식과 새로 찾은 정보를 합쳐서 답변을 만들어요

쉬운 예: 도서관에서 책을 찾아 참고하면서 질문에 답하는 학생과 같아요. 자기가 모든 걸 외우지 않아도, 필요한 정보를 찾아서 정확한 답변을 할 수 있죠.

실생활 예시

에이전트: "다음 주 여행 계획 세워줘"라고 하면

  • 날씨 API로 날씨 확인
  • 항공권 검색 도구로 가격 비교
  • 맛집 정보 찾기
  • 이 모든 정보를 종합해서 여행 계획표 작성

RAG: "우리 회사의 최신 휴가 정책이 뭐야?"라고 하면

  • 회사 내부 문서에서 휴가 정책 정보 검색
  • 최신 버전 확인
  • 검색한 정보를 바탕으로 정확한 휴가 정책 설명

에이전트(Agent)와 RAG의 주요 차이점

목적과 기능:

  • 에이전트: 결정을 내리고 행동을 취하는 것이 목적입니다. 여러 도구를 사용해 복잡한 작업을 수행합니다.
  • RAG: 정확한 정보 제공이 목적입니다. 외부 데이터를 찾아 답변의 품질을 높입니다.

수행 방식:

  • 에이전트: "무엇을 해야 할지" 스스로 결정하고 다양한 도구를 능동적으로 사용합니다.
  • RAG: "무엇을 알아야 할지" 파악하고 관련 정보를 찾아 활용합니다.

간단한 비유:

  • 에이전트: 비서처럼 지시를 받고 다양한 작업을 수행합니다.
  • RAG: 참고 자료를 찾아보는 학생처럼 정보를 검색해 답합니다.

실제 예시:

질문: "주말에 서울에서 할 일 추천해줘"

에이전트 답변 과정:
1. 날씨 도구로 주말 날씨 확인
2. 지도 도구로 인기 장소 검색
3. 예약 시스템으로 가능한 활동 확인
4. 이 모든 정보를 종합해 계획 제안

RAG 답변 과정:
1. 데이터베이스에서 "서울 주말 활동" 관련 문서 검색
2. 찾은 정보를 바탕으로 답변 생성
3. 정확한 장소와 활동 정보 제공

즉, 에이전트는 "행동하는 AI"이고, RAG는 "더 많이 아는 AI"라고 생각하시면 됩니다. 에이전트는 도구를 사용해 작업을 수행하고, RAG는 정보를 검색해 더 정확한 답변을 제공합니다.

 

쉽게 생각하면 RAG가 좀 더 정보의 정확성을 추구한다는 건가?

RAG는 본질적으로 정보의 정확성을 높이기 위한 기술입니다.

RAG(Retrieval-Augmented Generation)의 핵심 목적은 AI 모델이 가진 기존 지식의 한계를 극복하고 최신 정보나 특정 도메인의 정확한 정보를 제공하는 것입니다.

쉽게 비교하자면:

  • 일반 AI: 학교에서 배운 지식만으로 답변하는 학생
  • RAG 적용 AI: 도서관에서 관련 책을 찾아보고 답변하는 학생

반면, 에이전트는 정확성보다는 "무언가를 해결하는 능력"에 초점이 맞춰져 있습니다. 에이전트는 여러 도구를 활용해 작업을 수행하는 데 주력합니다.

실생활에서는:

  • RAG: 회사 매뉴얼에서 정확한 휴가 정책을 찾아 알려주기
  • 에이전트: 휴가 신청서를 작성하고, 승인 요청을 보내고, 일정에 등록하기

결론적으로 RAG는 "더 정확하게 아는 것"에, 에이전트는 "더 많은 일을 할 수 있는 것"에 가치를 둔다고 보시면 됩니다.

반응형