"지금 뜨는 RAG는 다 여기 있다" – 최신 RAG 기술 11종 완전 정리

요즘 AI 개발자들 사이에서 "RAG 안 쓰면 대화형 AI는 안 된다"는 말이 나올 정도로, RAG(Retrieval-Augmented Generation)는 필수 기술이 되었습니다. 그런데 새로운 논문이 하루가 멀다 하고 나오니, 도대체 뭐가 뭔지 정리도 쉽지 않죠?

이 글에서는 지금 뜨는 최신 RAG 기술 11가지를 완전히 정리했습니다. 각각의 기술이 해결하려는 문제는 무엇인지, 기존 RAG와는 무엇이 다른지, 어떤 상황에 써야 효과적인지—all in one place.

반응형

---

🧠 RAG 기술, 왜 이렇게 빠르게 진화하고 있을까?

RAG는 단순한 질문-응답 시스템을 넘어서, 복잡한 작업을 수행하는 AI로 진화하고 있습니다. 그 이유는 명확합니다:

• LLM의 한계 보완: LLM은 방대한 정보를 기억하지 못하거나, 최신 정보를 반영하지 못합니다.
• 정확성 향상: 생성된 답변의 '팩트' 신뢰도를 높이기 위해 외부 지식을 가져와야 합니다.
• 복잡한 문제 해결 요구 증가: 단순 검색이 아닌, 멀티스텝 추론, 에이전트 협업, 다양한 포맷(텍스트, 그래프, 웹) 등을 다루는 능력이 중요해졌습니다.

그래서 다양한 접근이 혼합된 RAG 모델들이 계속 등장하는 것이죠.

---

🧩 최신 RAG 기술 11종 완전 정리

다음은 현재 논문에서 발표된 최신 RAG 기술 11가지입니다. 각 모델은 RAG의 기본 개념을 바탕으로, 자신만의 고유한 목적을 갖고 확장되었습니다.

---

1. InstructRAG

핵심 아이디어: 멀티에이전트 + 강화학습 + 메타러닝
목표: 복잡한 태스크를 다루기 위한 명령 그래프 기반의 태스크 계획 수립
특징:

• 다중 에이전트가 태스크를 분할하고, 강화학습을 통해 범위를 확장
• 일반화 성능을 높이는 메타러닝 에이전트 포함

---

2. CoRAG (Collaborative RAG)

핵심 아이디어: 협업 기반 RAG
목표: 여러 클라이언트가 하나의 모델과 지식 저장소를 공유하며 훈련
특징:

• 협업 환경에서 모델 성능을 향상
• 기업 간 모델 공유 혹은 연합 학습 환경에 적합

---

3. ReaRAG

핵심 아이디어: 사실성 향상을 위한 순환적 추론
목표: 필요할 때만 검색하는 Thought-Action-Observation 루프
특징:

• 불필요한 검색을 줄여 계산 비용 절감
• 실제 사실성(factuality)이 중요한 응답에 적합

---

4. MCTS-RAG

핵심 아이디어: 몬테카를로 트리 탐색과 결합
목표: 작은 모델도 복잡한 문제를 해결할 수 있도록 지원
특징:

• 탐색 기반 의사결정
• 복잡한 도메인에서의 RAG 최적화

---

5. Typed-RAG

핵심 아이디어: 질문 유형 분해
목표: 논쟁, 경험 공유, 비교 질문 등 비사실형 질의 대응
특징:

• 질문을 유형별로 나눠 처리
• 주관적 혹은 복합적 질문에 효과적

---

6. MADAM-RAG

핵심 아이디어: 의견 충돌 기반 멀티라운드 토론
목표: 상반된 정보 속에서 정답 도출
특징:

• 여러 에이전트가 서로 반박하며 응답
• 노이즈 필터링 및 오정보 방지에 강력함

---

7. HM-RAG

핵심 아이디어: 계층형 멀티에이전트 + 멀티모달
목표: 다양한 형태의 데이터를 조합하여 응답
특징:

• 쿼리 분해 → 다양한 소스에서 검색 → 응답 통합
• 텍스트, 그래프, 웹 등 다양한 포맷 처리 가능

---

8. CDF-RAG

핵심 아이디어: 인과 그래프 기반 피드백 시스템
목표: 인과 관계 기반 다중 단계 추론
특징:

• 쿼리를 인과적 흐름에 따라 정제
• 인과성 검증으로 응답 신뢰도 강화

---

📊 각 기술의 주요 비교 포인트

모델 이름	핵심 목적	주요 기술 요소	적합한 사용 사례
InstructRAG	태스크 계획	멀티에이전트, 강화학습	워크플로우 생성, 태스크 분해
CoRAG	협업 학습	클라이언트 공유 저장소	연합 학습, 기업 협업
ReaRAG	사실성 강화	TOA 루프	팩트 기반 응답, 뉴스 QA
MCTS-RAG	복잡 추론 지원	MCTS 알고리즘	과학/법률 문서 해석
Typed-RAG	질문 유형 대응	타입 인식 분해	주관적, 비교 질문
MADAM-RAG	정보 충돌 해결	멀티라운드 토론, 집계 에이전트	토론 기반 QA, 다중 출처 정보 정제
HM-RAG	멀티모달 대응	계층형 구조, 다양한 포맷 검색	멀티포맷 검색 응답
CDF-RAG	인과 추론	인과 그래프, 다중 스텝 피드백	인과 관계 기반 의사결정

---

728x90

어떤 RAG가 당신에게 필요한가?

현재 RAG는 단순 지식 검색 보조도구에서 지능적 에이전트 시스템으로 진화 중입니다. 모델마다 지향점이 다르기에, 사용자는 자신의 문제에 맞춰 적절한 RAG를 선택해야 합니다.

• 복잡한 업무 자동화? → InstructRAG
• 정보의 진실성 검증? → ReaRAG, MADAM-RAG
• 다양한 포맷을 다뤄야 한다면? → HM-RAG
• 협업이 핵심이라면? → CoRAG

---

🚀 앞으로의 기대

RAG는 더 똑똑해지고, 더 "에이전트적(agentic)"으로 진화하고 있습니다. 단순한 검색 보조를 넘어, 사용자의 목적을 이해하고 함께 해결책을 찾아가는 진짜 AI 파트너가 되어가는 중입니다.

당신의 LLM 프로젝트에, 지금 가장 적절한 RAG는 무엇인가요? 이 글을 참고해 한 단계 더 앞선 선택을 해보세요.

https://huggingface.co/posts/Kseniase/836565977783893?fbclid=IwY2xjawJ1IwJleHRuA2FlbQIxMABicmlkETFGZGxJcU9BbFlSSEI1SGNkAR6bV1jKorImM8JCs0krYPPxLQOWNANuUxfgeWT-ptmOaGtLhpZedgkENo74bw_aem_VEsnEsKp04JVRMV1rKI9ZA

@Kseniase on Hugging Face: "11 new types of RAG RAG is evolving fast, keeping pace with cutting-edge AI…"