# \#agentic-rag **URL:** https://discuss.pytorch.kr/tag/agentic-rag/4379.md [최신](https://discuss.pytorch.kr/latest.md) · [카테고리](https://discuss.pytorch.kr/categories.md) · [태그](https://discuss.pytorch.kr/tags.md) --- ## [Google Research가 공개한 Agentic RAG: 부족한 정보를 끝까지 찾아내는 멀티 에이전트 검색](https://discuss.pytorch.kr/t/google-research-agentic-rag/10599)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [6월 9, 2026, 3:30오전 UTC](https://discuss.pytorch.kr/t/google-research-agentic-rag/10599 "2026-06-09T03:30:03Z")
Gemini Enterprise의 Agentic RAG 소개 검색 증강 생성(Retrieval-Augmented Generation, RAG)은 대규모 언어 모델(Large Language Model, LLM)이 학습하지 않은 사내 문서나 최신 데이터를 답변에 반영하기 위한 핵심 기법으로 자리 잡았습니다. 질문이 들어오면 관련 문서를 검색해 그 내용을 모델에 함께 넣어주는 방식인데, 이 덕분에 모델이 근거 없는 답을 지어내는 환각(hallucination)을 줄이고 출처에 기반한 답변을 만들 수 있습니다. 그러나 오늘날 기업에서 실제로 던지는 질문은 한 번의 검색으로 끝나지 않는 경우가 많습니다. Google Research가 공개한 이번 글은 이런 한계를 정면으로 다룹니다. 기존의 단일 단계(single-step) RAG는 "여러 데이터 소스에 걸쳐 있고, 여러 단계를 거쳐야 답이 나오는" 질문을 처리하도록 설계되지 않았다는 문제의식에서 출발합니다. 이를 해결하기 위해 Google은 검색 과정을 계획하고, 추론하고, 데이터 소스와 반복적으로 상호작용하는 에이전틱 RAG(Agentic RAG) 를 Gemini Enterprise Agent Platform에서 교차 코퍼스 검색(Cross-Corpus Retrieval) 기능으로 제공한다고 발표했습니다. 이번에 Google Research가 공개한 글에서 가장 주목할 부분은 단순히 여러 에이전트를 붙였다는 점이 아니라, 시스템이 "지금 가진 정보로 정말 답할 수 있는가" 를 스스로 판단하는 충분한 컨텍스트 에이전트(Sufficient Context Agent) 라는 구성 요소입니다. Google은 표준 RAG 대비 사실성(factuality) 데이터셋에서 정확도가 최대 34% 향상되었으며, 내부 도메인 데이터셋에서도 더 나은 근거 기반(grounding)과 추론 정확도를 확인했다고 밝혔습니다. 본 게시물에서는 멀티 에이전트 RAG가 어떤 구조로 동작하는지, 무엇이 이 시스템을 다르게… --- ## [Agentic RAG for Dummies: Agentic 기반 RAG 시스템을 이해하고 구축할 수 있도록 돕는 오픈소스 프로젝트 (feat. LangGraph)](https://discuss.pytorch.kr/t/agentic-rag-for-dummies-agentic-rag-feat-langgraph/8783)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [1월 22, 2026, 9:30오후 UTC](https://discuss.pytorch.kr/t/agentic-rag-for-dummies-agentic-rag-feat-langgraph/8783 "2026-01-22T21:30:54Z")
Agentic RAG for Dummies 소개 Agentic RAG for Dummies는 복잡하고 난해할 수 있는 '에이전트 기반 검색 증강 생성(Agentic RAG, Retrieval-Augmented Generation)' 시스템을 누구나 쉽게 이해하고 구축할 수 있도록 설계된 오픈 소스 프로젝트입니다. LangGraph를 기반으로 구축된 이 프로젝트는 단순히 문서를 검색해서 답변하는 기존의 RAG를 넘어, AI가 스스로 판단하고 행동하는 '에이전트(Agent)'의 개념을 도입했습니다. 최근 RAG 기술은 단순 검색(Naive RAG)에서 에이전틱(Agentic) RAG로 진화하고 있습니다. 이 프로젝트는 최소한의 코드로 생산 수준(Production-ready)의 시스템을 구현하는 것을 목표로 하며, 사용자는 이를 통해 다음과 같은 고급 기능들을 직접 구현해 볼 수 있습니다: 맥락 인식(Context Awareness): 이전 대화 내용을 기억하여 자연스러운 핑퐁 대화가 가능합니다. 능동적 질문(Active Clarification): 사용자의 질문이 모호하면 AI가 역으로 질문하여 의도를 파악합니다(Human-in-the-loop). 병렬 처리(Parallel Processing): 복잡한 질문을 여러 개의 하위 질문으로 나누어 동시에 검색하고 답변을 종합합니다. 자기 교정(Self-Correction): 검색 결과가 불충분하면 스스로 검색어를 수정하여 다시 검색합니다. Agentic RAG for Dummies 저장소는 학습(Learning Path) 과 구축(Building Path) 이라는 두 가지 트랙을 제공하여, RAG의 기본 개념을 익히려는 초보자부터 실제 서비스를 구축하려는 엔지니어까지 모두를 아우릅니다. 일반 RAG(Naive RAG)와 Agentic RAG 비교 단순히 데이터베이스에서 문서를 찾아오는 기존 방식과 달리, 이 프로젝트에서 소개하고 있는 Agentic RAG는 다음과 같은 결정적인… --- ## [\[2025/01/20 ~ 01/27\] 이번 주의 주요 ML 논문 (Top ML Papers of the Week)](https://discuss.pytorch.kr/t/2025-01-20-01-27-ml-top-ml-papers-of-the-week/5993)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [1월 27, 2025, 7:49오후 UTC](https://discuss.pytorch.kr/t/2025-01-20-01-27-ml-top-ml-papers-of-the-week/5993 "2025-01-27T19:49:26Z")
\[2025/01/20 ~ 01/27\] 이번 주의 주요 ML 논문 (Top ML Papers of the Week) PyTorchKR​:fire::south\_korea: :thinking::speech\_balloon: 이번 주에 선택된 논문들에서는 대규모 언어 모델(LLMs)에 대한 연구가 두드러지게 많이 포함되어 있습니다. 논문들 중에서 "Scaling RL with LLMs", "Can LLMs Plan?", "Hallucinations Improve LLMs in Drug Discovery", "LLMs and Behavioral Awareness" 등이 이러한 트렌드를 보여주고 있습니다. LLMs를 기반으로 한 연구들이 다양한 분야에서 혁신적인 응용 가능성을 탐구하고 있으며, 이는 최신 AI 연구의 큰 흐름 중 하나입니다. 대규모 언어 모델(LLMs)은 학습된 데이터의 방대함과 다양한 작업에서의 성능으로 인해 다양한 연구자들 사이에서 인기를 끌고 있습니다. LLMs는 자연어 처리(NLP) 작업을 넘어 로봇학습(RL), 계획 작성, 약물 발견 등 다양한 분야에서 사용 가능성을 보이고 있습니다. 이러한 연구들은 LLMs의 유연성과 그들이 제공하는 잠재적 혁신이 어떻게 기존 문제를 해결하거나 새로운 문제를 제기할 수 있는지를 보여줍니다. 또한 이번 주 논문들에서 보이는 트렌드는 LLMs를 활용하고자 하는 노력뿐만 아니라, 그것들을 강화 또는 보강하기 위한 다양한 기술과 접근방식이 연구되고 있다는 것입니다. 예를 들어, LLMs와 연관된 '환각(hallucination)' 문제를 해결하고자 하는 연구, 그리고 LLMS 능력과 행동 인식을 높이기 위한 방법론 등이 포함되어 있습니다. 이는 LLMs의 성능 향상과 실질적 응용 확대를 위한 필수적인 과정이며, AI 기술이 인간의 복잡한 문제를 풀어나가는 데 중요한 역할을 할 가능성을 제시합니다. DeepSeek-R1 / DeepSeek-R1 논문 소개 딥시크는 강화 학습(RL)을 통해 추론 …