Advanced RAG (심화 RAG)

초기 RAG(Naive RAG)는 문서를 단순 청크(Chunk)로 쪼개고 한 번의 벡터 검색 후 LLM에 넘기는 선형 구조를 가졌습니다. 하지만 이는 노이즈 문맥, 잘못된 검색, 복잡한 쿼리에 대한 낮은 정확도라는 한계에 부딪혔습니다. 이를 극복하기 위해 제안된 것이 Advanced RAG (심화 RAG) 패러다임입니다.

1. Modular RAG (모듈형 RAG)

정보를 단순히 검색하는 것을 넘어 전처리(Pre-retrieval)와 후처리(Post-retrieval) 단계를 모듈화하여 정밀도를 높이는 구조입니다.

• Query Routing (쿼리 라우팅): 사용자의 질문 의도를 파악하여 적절한 데이터베이스(벡터 DB, 관계형 DB, 웹 검색 등)로 요청을 분기합니다.
• Query Rewriting (쿼리 재작성): 사용자의 애매한 질문을 LLM을 통해 명확한 검색용 쿼리로 변환하거나 다중 쿼리로 분할(Multi-Query)하여 검색 정확도를 높입니다.
• Hybrid Search & Re-ranking: 벡터 검색과 키워드(BM25) 검색을 결합하고, 검색된 문서들을 문맥적 관련성 기준으로 재정렬(Re-ranking)하여 최상위 컨텍스트만 선별합니다.
• Context Distillation (문맥 압축): 불필요한 노이즈를 제거하여 LLM의 Context Window를 효율적으로 사용하고 토큰 비용을 절감합니다.

2. Agentic RAG (에이전틱 RAG) & Self-RAG

에이전트(Agent)가 RAG 시스템의 두뇌 역할을 하여 단방향 프로세스를 능동적인 자가-수정(Self-Correcting) 루프로 바꿉니다.

• Agentic RAG:
  • 외부 툴을 호출하고 다단계(Multi-step) 검색이 필요한지 에이전트가 스스로 판단합니다.
  • 필요한 문서를 모두 모을 때까지 반복해서 검색 쿼리를 생성하고 정보를 검증하는 ‘연구원’처럼 능동적으로 동작합니다. (예: LangChain, LlamaIndex 기반 에이전트 워크플로우)
• Self-RAG (Self-Reflective RAG):
  • 모델 스스로 검색 결과가 유용한지(Relevance), 자신의 답변이 검색된 문서에 의해 지지되는지(Supported)를 평가하는 성찰 토큰(Reflection Tokens)을 활용합니다. 환각(Hallucination) 현상을 대폭으로 감소시킵니다.

3. GraphRAG

단순 텍스트의 유사도를 넘어서 데이터 간의 관계를 바탕으로 문맥을 추론하기 위해 지식 그래프(Knowledge Graph)를 결합한 기술입니다 (예: Microsoft Research 발표 패러다임).

• Entity-Relationship 추출: 문서 전체에서 주요 엔티티(인물, 조직, 개념)와 관계를 추출하여 거대한 네트워크 구조를 형성합니다.
• 계층적 커뮤니티 파악: 그래프 구조상 밀집된 정보를 군집화(Community)하여, 전체 맥락을 아우르는 복합적이고 추상적인 질문(Multi-hop 질의)에 대한 답변 능력이 Naive RAG 대비 크게 뛰어납니다.