Advanced RAG 패턴 비교

Self-RAG: 스스로 판단하는 RAG

원논문(Asai et al., 2023)의 반영 토큰은 Retrieve · ISREL · ISSUP · ISUSE 네 개다. 이 네 이름을 그대로 쓴다. 오늘 만드는 SelfRAG 클래스의 메서드 이름과도 같다.

[Self-RAG 흐름]

1. 질문 수신
2. 검색 필요성 판단 (Retrieve 토큰)
   → No: LLM 자체 지식으로 답변
   → Yes: 문서 검색
3. 검색된 문서의 관련성 평가 (ISREL 토큰)
   → 관련 없음: 쿼리 수정 후 재검색
4. 답변 생성
5. 답변이 컨텍스트에 뒷받침되는지 검증 (ISSUP 토큰)
   → 뒷받침 안 됨: 답변 재생성
6. 답변이 질문에 유용한지 평가 (ISUSE 토큰, 1~5점)
7. 최종 답변 선택

이름을 헷갈리지 말 것. ISREL 은 「검색이 필요한가」가 아니라 「검색된 문서가 관련있는가」이고, 답변의 충실도는 ISSUP 이 맡는다. ISCRIT 이라는 토큰은 없다. 원논문은 ISREL·ISSUP·ISUSE 셋을 묶어 critique 토큰이라 부르는데, 그 총칭을 개별 토큰 이름으로 쓰면 안 된다.

Self-RAG 특성:

• 모델이 검색 여부를 스스로 결정
• 각 단계에서 자체 평가 → 할루시네이션 감소
• 단점: LLM 호출 횟수 증가 (느리고 비용 높음)

CRAG: 검색 결과를 교정하는 RAG

[CRAG 흐름]

1. 질문 수신 + 문서 검색
2. 관련성 평가 (각 문서)
   → 관련: 핵심 정보 추출 (Knowledge Refinement)
   → 무관: 웹 검색 또는 쿼리 재작성
   → 혼합: 두 전략 결합
3. 교정된 지식으로 답변 생성

CRAG 특성:

• 검색 실패 시 대안 전략 자동 실행
• 관련 없는 문서를 필터링하여 품질 향상
• 단점: 외부 검색 API 필요 (또는 내부 대안 검색)

제조 현장 적용 가이드

Adaptive RAG: 최적 전략 선택기

복잡도와 주제는 서로 다른 축이다. 「안전」은 복잡도가 아니라 주제 분류이므로 복잡도 분기 안에 섞어 넣으면 안 된다. 오늘 코드 태스크가 둘을 따로 처리하는 이유다.

def adaptive_rag(question):
    # 축 1: 주제 — 안전 질의는 복잡도와 무관하게 검색을 강제한다
    if is_safety_query(question):          # KOSHA, 보호구, 유해물질 …
        return self_rag(question, strict=True)

    # 축 2: 복잡도
    complexity = classify_complexity(question)

    if complexity == "simple":     # 일반 개념·정의, 검색 불필요
        return llm_direct(question)
    elif complexity == "standard":  # 규격 조회, 에러 코드 — 단순 RAG
        return basic_rag(question)
    else:                          # complex — 비교·분석, 분해 후 다중 검색
        return self_rag(question)

복잡도 세 값의 뜻은 오늘 코드 태스크의 QueryComplexity 와 같다.

핵심: 하나의 패턴만 고집하지 말고, 쿼리 유형에 따라 최적 전략을 선택하라. 그리고 「무엇으로 나누는가」의 축을 섞지 마라.