실가상 융합 전시공간 AI 에이전트 플랫폼을 개발하며 연구한 최신 기술

대규모 언어 모델(LLM)은 뛰어난 생성 능력을 가지고 있지만,
최신 정보 반영이 어렵고, 사실 기반 정밀한 답변이 필요할 때 Hallucination(환각) 문제가 쉽게 발생합니다.
특히 저는 실·가상 융합 전시공간에서 전시 지식·설명·사용자 맥락을 정확하게 제공하는 AI 에이전트 플랫폼을 구축하기 위해 RAG + Agent 기술을 집중적으로 연구해야 했습니다.

이 글에서는 RAG의 기본 원리부터, 에이전트 기반 아키텍처, Agentic RAG의 최신 기법까지 정리합니다.

1. 📚 RAG(Retrieval-Augmented Generation)의 기본 개념

RAG는 LLM + 검색(Search) 시스템을 결합하여 LLM이 단순한 모델 내부 지식에 의존하는 것이 아니라,
외부 문서(전시 콘텐츠, 기록, DB 등)를 검색해 답변의 정확성을 높이는 방식입니다.

🔍 RAG 기본 흐름

RAG가 필요한 이유

  • 최신 정보 반영 가능
  • 도메인 지식(전시 설명, 큐레이션 정보) 정밀 반영
  • LLM의 환각(Hallucination) 감소
  • 특정 환경(전시공간)의 메타데이터 활용 가능

전시공간 연구 과정에서의 필요성

전시관의 작품 정보, 작가 이력, AR/VR 콘텐츠 설명은 LLM이 기본적으로 알 수 없는 정보이기 때문에
→ RAG 기반 검색 시스템이 필수였음.
특히 작품별 메타데이터, 관람 동선, 공간 맵핑 정보가 필요해 벡터DB 기반 RAG를 적극 활용해야 했다.

2. 🧠 에이전트 기반 RAG 시스템 아키텍처

기존 RAG는 단순 검색·생성 형태지만,
AI 에이전트 기반 RAG는 검색 과정 자체를 모델이 스스로 판단하고 조정하는 형태로 진화하고 있습니다.

즉,

  • 어떤 문서를 검색할지?
  • 검색이 부족하면 추가 검색을 수행할지?
  • 잘못된 정보가 있다면 다시 수정할지?

이 모든 과정을 에이전트 스스로 계획하고 실행합니다.

🏗 에이전트 기반 RAG 아키텍처 (Mermaid)

주요 구성 요소

🔹 Planner 에이전트

  • 어떤 검색 전략이 필요한지 결정
  • 예: “전시관 A 작품 설명” → 작가 정보 + 작품 해설 + 위치 정보 필요

🔹 Retrieval Agent

  • 단순 검색이 아니라 다중 검색 루프를 수행
  • 필요 시 다른 도구 호출(e.g., 이미지 기반 검색)

🔹 Verification Agent

  • 답변이 충분한지 검사
  • 부족하면 “추가 검색 → 답변 수정” 과정 반복

3. 🚀 고급 RAG 기법: Agentic RAG, Self-RAG, Corrective RAG

최근 RAG는 단순 검색 구조를 넘어 스스로 검색하고, 평가하고, 보완하는 "능동적 RAG"로 진화하고 있습니다.

3-1. 🤖 Agentic RAG

개념

에이전트가

  1. 어떤 문서를 검색할지,
  2. 어느 정도 검색이 필요한지,
  3. 결과가 충분한지

스스로 판단하는 RAG 구조.

특징

  • 다중 검색 루프
  • 도구 활용(웹 검색, API 호출)
  • 계획 기반 탐색(Goal-driven Retrieval)

연구에서의 활용

전시공간에서는 사용자가 작품명만 얘기해도
→ 위치 정보
→ 작가 정보
→ 작품 설명
→ 관련 영상 자료
을 조합해야 했기 때문에 Agentic RAG가 매우 유효했음.

3-2. 🪞 Self-RAG

개념

LLM이 스스로 “내가 생성한 답변이 충분한가?”를 재평가하고 필요하면 추가 검색을 수행하는 방식.

핵심 기능

  • Self-evaluation (자체 평가)
  • Self-retrieval (추가 검색)
  • Self-refinement (답변 수정)

장점

  • 질의가 불완전해도 좋은 답변 유도
  • 에이전트 개입 최소화 가능

3-3. 🩹 Corrective RAG (CRAG)

개념

LLM이 “답변에 오류가 있을 가능성”을 감지하면
→ 자동으로 검색 프로세스를 다시 수행해 오류를 고치는 RAG 방식

장점

  • 사실 오류(Factual Error) 크게 감소
  • 특히 전시 작품 정보처럼 “정확해야 하는 데이터”에 매우 적합

🎨 전시공간 AI 에이전트 플랫폼에 RAG를 적용하며 느낀 점

실가상 전시 플랫폼에서는 아래 조건들이 모두 충족되어야 합니다.

  • 실제 전시 정보(작품명, 위치, 작가, 스토리)가 정확해야 한다
  • AR/VR 콘텐츠 해설은 항상 최신으로 유지되어야 한다
  • 사용자 상황(위치/관심)에 따라 정확한 정보를 빠르게 제공해야 한다
  • LLM이 마음대로 지어내면 절대 안 된다

따라서 연구 과정에서 다음 결론에 도달했습니다.

✔ 단순 RAG로는 부족

→ Agentic RAG 필요
→ Self-RAG로 품질 향상
→ Corrective RAG로 정확도 유지

✔ 전시 데이터는 구조화 정보 + 비정형 정보가 섞여 있음

→ 벡터DB + 메타데이터 기반 하이브리드 검색 필요

✔ 검색 전략은 상황에 따라 달라져야 함

→ 에이전트 기반 RAG가 최적

📝 결론: RAG × AI 에이전트는 전시공간 플랫폼의 핵심 기술

실가상 융합 전시공간과 같은 복합 환경에서는
단순한 LLM 기반 AI로는 정확도·확장성·안정성을 만족시키기 어렵습니다.

이 때문에 저는 연구 과정에서 다음과 같은 기술 조합을 필수 요소로 판단했습니다.

🔑 핵심 기술 조합

  • LLM 기반 에이전트 아키텍처
  • RAG(지식 검색 기반 생성)
  • Agentic RAG / Self-RAG / Corrective RAG
  • 멀티 모달 검색(텍스트 + 이미지 + 센서 데이터)
  • 전시공간 맥락 기반 검색 전략

향후 전시공간뿐 아니라
교육, 관제, 산업용 AI에서도
이러한 “능동 검색·평가·제어가 가능한 Agentic RAG”가 표준 아키텍처가 될 것입니다.

 

 

이 글은 2025년도 정부(과학기술정보통신부)의 재원으로 연구개발특구진흥재단의 지원을 받아 수행된 연구임

(RS-2025-25449136, 실가상 융합 전시공간 인터랙티브 서비스를 위한 AI 에이전트 플랫폼 기술 개발)

'기술 블로그' 카테고리의 다른 글

⚡ 실시간 AI 에이전트 기술 동향  (0) 2025.11.18
🧠 AI 에이전트 핵심 기술 동향  (0) 2025.11.18