AI 에이전트 →

RAG (검색 증강 생성)Retrieval-Augmented Generation

RAG (Retrieval-Augmented Generation)는 시험 볼 때 참고서를 펴 보고 답을 쓰는 오픈북 시험 같은 것 — AI가 답하기 전에 내 자료에서 관련 내용을 먼저 찾아 그걸 근거로 답하게 하는 방식이에요.

RAG는 '검색해서 찾은 자료를 보고 답을 만든다'는 뜻이에요. 오픈북 시험을 떠올려 보세요. 머릿속 기억만으로 답하면 틀리거나 지어낼 수 있지만, 참고서에서 해당 페이지를 찾아 보고 쓰면 훨씬 정확해지죠. AI도 원래는 학습한 내용만으로 답하는데, RAG를 쓰면 질문이 들어올 때마다 내 문서·강의·FAQ에서 관련 부분을 먼저 찾아 함께 읽고 답해요.

1인 사업자에게 RAG는 '우리 사업을 아는 AI'를 만드는 가장 현실적인 방법이에요. 강의 받아쓰기나 전자책 내용을 넣어 두면 수강생 질문에 강의 내용을 근거로 답하는 상담봇을 만들 수 있고, 지난 영상 대본들을 넣어 두면 채널 톤에 맞는 새 대본 아이디어를 얻을 수도 있어요. 보통 자료를 작은 조각으로 나누고(청킹), 의미를 숫자로 바꾼 뒤(임베딩), 벡터 DB에 저장해서 질문과 비슷한 조각을 찾아오는 구조로 만들어요.

헷갈리기 쉬운 것이 파인튜닝과의 차이예요. 파인튜닝은 모델 자체를 추가로 학습시켜 말투나 습관을 바꾸는 것이고, RAG는 모델은 그대로 두고 답할 때마다 자료를 찾아 보여 주는 거예요. 자료가 자주 바뀐다면 RAG가 관리하기 훨씬 쉬워요. 다만 RAG도 찾아온 자료가 엉뚱하면 답도 엉뚱해지니, 자료를 잘 정리하고 조각 크기를 적절히 나누는 게 품질의 핵심이에요.

💡 대표 예시

  • 수강생 상담봇 — 강의 받아쓰기를 RAG로 연결해 강의 근거로 답하게 한다
  • FAQ 자동 답변 — 환불·수강 규정 문서를 찾아 보고 답하도록 구성한다
  • 대본 아이디어 — 지난 영상 대본을 검색해 겹치지 않는 주제를 제안받는다
  • 답이 엉뚱할 때 — 찾아온 자료 조각을 확인하고 청킹 크기를 조정한다
  • 자료 갱신 — 새 전자책을 추가 저장해 다음 질문부터 바로 반영되게 한다

🔗 관련 용어

이 개념, 직접 적용해볼까요?

AI 에이전트를 직접 만들고 24시간 운영하는 법을 단계별 강의로 배워보세요.