AI 에이전트 엔지니어링

168

2

부

에이전트 시스템의 구축과 확장

이렇게 얻은 임베딩은 메모리 스토어에 저장된 과거 모든 상호작용을 대상으로 수행하는 벡터

검색의 쿼리로 사용됩니다. 컨텍스트 윈도의 일부는 시맨틱 경험 메모리에서 검색된 최적 일치

결과들을 위해 예약되고 나머지 공간은 시스템 메시지, 최신 사용자 입력, 가장 최근 상호작용

에 할당됩니다. 시맨틱 경험 메모리를 사용하면 에이전틱 시스템은 폭넓은 지식 베이스를 활용

할 뿐 아니라 축적된 경험을 바탕으로 응답과 행동을 조정할 수 있습니다. 그 결과 더 적응적이

고 개인화된 행동이 가능해집니다.

6.3

그래프

RAG

이제 설루션에 통합하기는 더 복잡하지만 더 다양한 질문을 올바르게 처리할 수 있는 고급

RAG

기법을 살펴보겠습니다. 그래프

RAG

(그래프 기반 검색 증강 생성 )은 그래프 기반 데이

터 구조를 도입해 검색 과정을 향상시키는 고급

RAG

확장 기법입니다. 그래프를 활용하면 그

래프

RAG

는 정보 조각들 사이의 복잡한 상호 관계와 의존성을 관리하고 활용할 수 있어 생성

되는 콘텐츠의 풍부함과 정확성을 크게 높일 수 있습니다.

베이스라인

RAG

시스템은 문서를 청크로 나누고 각 청크를 벡터 공간에 임베딩한 뒤 쿼리 시

점에 시맨틱하게 유사한 청크를 검색해

LLM

프롬프트에 추가하는 방식으로 작동합니다. 이 방

식은 단순한 사실 조회나 직접적인 질의응답에는 효과적이지만 다음과 같은 상황에서는 어려

움을 겪습니다.



답이 여러 문서에 흩어져 있는 정보를 연결해야 할 때(이른바 ‘점을 이어야’ 할 때 )