LLM Wiki

검색자로서의 에이전트

4 min read

지정된 개념 ‘검색자로서의 에이전트’ (type: concept)에 대한 위키 노트를 소스 문서 raw/AI Agents Don’t Need Vector Search Anymore. Inside the Agentic Search Stack Replacing RAG in 2026.md를 바탕으로 분석 및 정제하여 생성/보완 완료하였습니다.

저장 경로

작성된 위키 노트 주요 내용 요약

  1. frontmatter 스키마 준수: type: concept, status: draft, core: false, 태그 및 소스 경로 명시.
  2. 한 줄 정의 및 핵심 요지:
    • 사전 벡터 DB/임베딩 파이프라인에 의존하지 않고, LLM 에이전트가 런타임에 grep, glob, read, AST 파서, MCP 등의 도구를 직접 호출하여 필요한 정보를 주도적으로 동적 탐색/검증하는 적시 컨텍스트 로딩(Just-In-Time Context Loading) 패러다임 명시.
  3. 상세 기술 분석 및 벤치마크 지표 출처 표기:
    • SWE-bench: 초기 벡터 RAG(1.96%) 대비 도구 활용 에이전트(12.47%) 및 최신 에이전트 시스템(80%+ 점유)의 우위.
    • Amazon Science (AAAI 2026, arXiv:2602.23368): 키워드 검색 에이전트가 벡터 DB 없이 RAG 충실도 94.52%, 컨텍스트 재현율 88.05%, 답변 정확도 91.48% 달성.
    • Anthropic 다중 에이전트 연구 시스템: Opus 4(리드) + Sonnet 4(서브 에이전트) 구성으로 단일 Opus 4 대비 90.2% 성능 우위 달성.
    • Search-R1 (arXiv:2503.09516): 결과 기반 강화 학습(Outcome-based RL)을 통한 검색 정책 학습으로 RAG 대비 24% 성능 향상.
    • 5가지 실행 스펙트럼: 순수 에이전트(Claude Code, Devin), 하이브리드(Cursor, Sourcegraph Amp), AST/구조적 인식(Cline, Probe), 전용 에이전트 검색 모델(Windsurf SWE-grep, Chroma Context-1), RL 기반 정책(Search-R1, CoSearch).
    • 5단계 압축(Compaction) 파이프라인 및 MCP(Model Context Protocol) 표준화 분석.
  4. 구체적 코드 예시 & 제품 활용 시나리오:
    • Python 기반 AgentAsRetriever ReAct 루프 및 tool_grep, tool_read_lines 동적 적시 로딩 코드 포함.
    • Claude Code CLI /bug fix payment timeout 시나리오 및 Windsurf Cascade SWE-grep 실행 시나리오 포함.
  5. 충돌 및 한계점:
    • 쿼리당 토큰 비용 폭증(단순 챗봇 대비 5~30배, 다중 에이전트 시 15배 토큰 소모) 및 Milvus 팀의 반론 분석.
    • 직렬 구조 작업에서의 오케스트레이션 비효율성 및 어휘 불일치(Vocabulary Mismatch) 시 무한 쿼리 루프 리스크 기재.
  6. Obsidian 위키링크 연동:
    • [[에이전트 주도 검색]], [[모델 컨텍스트 프로토콜]], [[RAG]], [[Naive RAG]], [[다중 에이전트 패턴]], [[리드 에이전트 오케스트레이션]], [[AI 에이전트 제어 루프]], [[GraphRAG 지식 그래프 파이프라인]] 등과 연결.

그래프 뷰

백링크