Retrieval-augmented generation은 LLM 출력을 모델이 학습한 적 없는 사실에 근거하게 함으로써 실제 문제를 해결했습니다. 하지만 고전적인 RAG에는 한계가 있습니다. 한 번 검색하고, 그 결과를 프롬프트에 넣고, 상위 k개의 청크에 우연히 답이 포함되기를 바랍니다. 자체 수정 기능도 없고, 다단계 추론도 없으며, 첫 번째 검색이 실패했을 때 복구할 방법도 없습니다.Agentic RAG는 LLM 기반 에이전트를 루프에 넣어 검색할 내용, 다시 검색할 시점, 검색된 컨텍스트가 실제로 충분히 좋은지 여부, 답변 전에 여러 소스를 어떻게 결합할지 등을 결정함으로써 그 한계를 제거합니다. 이 글에서는 여러분의 스택에 맞게 조정할 수 있는 작동 코드를 사용하여 처음부터 단계별로 Agentic RAG를 구축하는 과정을 살펴봅니다.