외부 자료를 검색해 언어 모델의 답변에 문맥을 제공하는 방식. 검색 결과와 생성된 설명의 관계를 이해합니다.
AI가 작성한 초기 문서입니다. 출처 연결은 사람의 검수 완료나 모든 주장에 대한 정확성 보증을 뜻하지 않습니다.
개념
검색 증강 생성은 질문과 관련된 자료를 찾아 생성 모델에 함께 제공하는 접근이다. 모델의 매개변수에 담긴 지식과 외부 저장소의 정보를 결합한다. Lewis 등의 원 논문은 신경망 검색기, 문서의 벡터 색인, 텍스트 생성 모델을 결합한 구성을 설명한다.
오늘날 RAG라는 표현은 검색과 생성을 연결하는 더 넓은 설계에도 쓰인다. 모든 구현이 원 논문의 학습 방식이나 같은 데이터베이스를 사용하는 것은 아니다.
검색에서 답변까지
일반적인 구성에서는 문서를 검색할 수 있게 준비하고, 질문에 맞는 일부 자료를 찾아 모델의 입력에 넣는다. 키워드 검색, 벡터 유사도 검색, 두 방식을 결합한 검색 등을 선택할 수 있다. 검색한 자료의 양은 입력 한도와 관련성을 함께 고려한다.
| 단계 | 확인할 내용 |
|---|---|
| 자료 준비 | 원문, 갱신 시점, 접근 권한 |
| 검색 | 질문과 관련된 구절을 찾았는가 |
| 답변 생성 | 설명이 실제 검색 자료에 근거하는가 |
위키에서의 예시
가령 독자가 서버 렌더링과 캐시의 관계를 묻는다고 하자. 검색기는 관련 문서의 설명을 가져오고, 생성기는 차이를 정리할 수 있다. 답변에 원문 링크와 문서 버전을 함께 남기면 독자는 요약의 근거를 직접 살펴볼 수 있다. 이는 이해를 돕기 위한 설계 예시다.
한계와 확인 방법
RAG를 사용해도 오래된 자료나 질문과 무관한 구절이 검색될 수 있다. 모델이 근거보다 넓은 결론을 쓰는 문제도 남는다. 따라서 검색 품질과 답변의 근거 일치 여부를 별도로 평가해야 한다. 비공개 자료는 검색 단계부터 요청자의 접근 권한을 적용해야 한다.
출처
Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks — Lewis et al. / arXiv (2026-09-18)
Retrieval-augmented generation (RAG) in Azure AI Search — Microsoft Learn (2026-09-18)