<aside>

정적 파이프라인을 넘어 스스로 계획, 실행, 성찰하는 '자율 추론 루프' 기반의 동적 시스템 설계

</aside>

🚘 핵심 아키텍처

“Agentic RAG 기반 실무에 필요한 최소한의 기능들로 구성된 워크플로우입니다”

🚀 핵심 구현 전략

<aside>

CRAG(Corrective RAG) 패턴

검색 품질 실시간 평가, 결과 불만족 시, 검색어 수정 및 소스 자동 전환을 통한 동적 경로 수정

</aside>

<aside>

Self-RAG(Self-Reflective RAG) 원칙

생성된 답변의 환각 및 정확성 자체 검증, 신뢰도 낮은 답변의 외부 전달 원천 차단

</aside>

<aside>

반복적 개선(Iterative Refinement) 루프

단일 시도가 아닌, 자동화된 피드백 사이클을 통해 답변의 완성도를 점진적으로 향상

</aside>

<aside>

감독자(Multi-Agent Supervisor) 패턴

전체 워크플로우를 관리, 감독하는 감독자를 두고 전체 프로세스를 제어 및 검증

</aside>

<aside>

계획 및 실행(Plan-Excute) 패턴

쿼리를 해결하기 위한 계획을 세우고 해당 계획에 맞게 처리하는 방식

</aside>

🕵️‍♂️ 실무 최적화 전략

1️⃣ 데이터 수집(Ingestion)

• 동적 적응형 청킹: 문서 구조를 분석하여 의미 단위로 자동 분할, 검색 정확도 극대화
• 메타데이터 강화: 출처, 버전 등 메타 데이터를 함께 저장하여 검색 필터링 및 신뢰도 확보
• 2차 데이터 생성: 전체 문서의 요약, 청크 요약, 청크를 통한 예상 질문 생성, 이미지/표 기반 추가 정보 등

2️⃣ 검색 고도화(Retrieval)

• Hybrid Search: Sparse와 Dense 검색의 장점을 다양한 알고리즘으로 결합(RRF, WeightedRanker 등)
• HyQE/HyDE: 청크별 예상 질문이나 쿼리에 대한 예상 답변을 바탕으로 검색
  • Hypothetical Questions, Hypothetical Document Embeddings
• Reranker: 1차 검색 결과를 정밀 재평가하여 가장 관련성 높은 정보만 선별
• 그 외: Context Reorder(참조율이 높은 위치에 청크를 위치), Compressor(관련성 낮은 정보 제거)

3️⃣ 생성 품질 관리(Generation)