Google Agentic RAG의 멀티에이전트 검색·검증 아키텍처

한 번의 검색으로 끝낼 수 없는 질문

표준 RAG(Retrieval-Augmented Generation)는 단순한 사실 질의를 빠르고 저렴하게 처리하지만, 여러 문서와 데이터 소스를 거쳐야 하는 멀티홉 질의에는 구조적인 약점이 있다.

“프로젝트 X에서 사용한 서버의 스펙은?”이라는 질문을 처리하려면 먼저 프로젝트 문서에서 서버 ID를 찾고, 그 ID로 다른 데이터베이스를 조회해야 한다. 단일 단계 RAG는 첫 검색에서 멈춘 채 불완전한 컨텍스트로 답변을 만들 수 있다.

Google Research가 2026년 6월 5일 Gemini Enterprise Agent Platform에 통합해 공개한 Agentic RAG 프레임워크는 생성 전에 정보 충분성 검사(Information Sufficiency Check)를 둔다. 검색 결과가 부족하면 누락된 정보를 식별하고 추가 검색을 반복한다. Cross-Corpus Retrieval이라는 이름으로 공개 프리뷰가 시작됐으며, FramesQA 벤치마크에서는 기존 RAG보다 사실성 정확도가 34% 향상됐다.

충분할 때까지 검색하는 루프

Google의 Agentic RAG는 5개 단계를 순환한다. 요청을 분석한 뒤 여러 코퍼스를 검색하고, 확보한 컨텍스트가 충분한지 평가한다. 부족한 정보가 발견되면 쿼리를 다시 작성해 여러 소스로 검색을 확장하고, 충분하다고 판단된 뒤에야 최종 답변을 합성한다.

⤢✕

Root/Orchestrator Agent는 복잡한 요청을 해석하고 전문 서브에이전트에 작업을 배분한다. RAG Agent는 식별된 여러 코퍼스에서 초기 자료를 가져온다.

이어 Sufficient Context Agent가 검색 스니펫과 중간 초안, 누락 분석을 함께 검토한다. 단순히 정보가 부족하다고 판정하는 데 그치지 않고 무엇이 빠졌는지 구체적으로 남긴다. Query Rewriter는 이 갭을 표적 후속 쿼리로 바꾸고, Search Fanout Agent는 여러 데이터 소스에 병렬로 배포한다. 합성은 이 반복을 거쳐 컨텍스트가 완전하다고 판단된 뒤 수행된다.

검색과 검증의 책임을 나누는 에이전트

⤢✕

이 구조에서 품질 게이트를 맡는 구성요소는 Sufficient Context Agent다. 검색된 스니펫과 초안, 갭 분석을 평가하고 Reason과 Feedback 로그에 누락 사항을 기록한다. 다음 반복의 검색 방향은 이 로그를 기준으로 결정된다.

Query Rewriter도 일반적인 동의어 확장기와 다르다. 매 반복에서 새로 확인된 갭을 입력으로 받아 검색 가능한 형태로 질의를 정밀화한다.

Search Fanout Agent는 재작성된 쿼리를 여러 검색 소스에 병렬 배포한다. 단일 코퍼스와 크로스 코퍼스 구성 사이의 레이턴시 차이가 3% 이내로 유지되는 배경이다.

FramesQA에서 확인된 결과

FramesQA는 824개 쿼리와 2,676개 PDF 문서로 구성된 벤치마크다. 측정 결과는 다음과 같다.

측정 항목	결과
크로스 코퍼스 정확도	90.1% (4개 데이터베이스 중 관련 소스 선택)
사실성 향상	기존 RAG 대비 최대 34%
레이턴시 오버헤드	단일 vs 크로스 코퍼스 간 3% 이내
할루시네이션 감소	에이전틱 RAG + 지식 그래프 조합 시 평균 62%

2026년 5월 MLOps Community가 47개 프로덕션 배포를 기준으로 수행한 벤치마크에서는 Agentic RAG와 지식 그래프를 결합했을 때 단순 청크 검색 방식보다 할루시네이션이 평균 62% 감소했다.

질의에 따라 달라지는 RAG 선택

모든 질의에 같은 검색 구조를 적용할 이유는 없다. 2026년 현재 사용되는 주요 접근법은 정확도와 비용, 데이터 준비 방식에서 차이가 난다.

접근법	강점	약점
표준 RAG	빠르고 저렴, 단순 사실 질의 정확	멀티홉·멀티소스 실패
Agentic RAG (Google)	복잡 질의 고정확도, 반복 검증	쿼리당 컴퓨팅 비용 3~10배
GraphRAG	관계·엔티티 질의 최적, 62% 할루시네이션 감소	구조화 그래프 구축 필요, 초기 비용 높음
HyDE	모호·희소 쿼리 리콜 향상	검증 루프 없음, 단일 패스
Adaptive RAG	복잡도별 최적 파이프라인 라우팅	분류기와 다중 파이프라인 유지 필요

2026년 베스트 프랙티스로 제시되는 방식은 Adaptive RAG다. 쿼리 분류기가 복잡도를 판단해 표준 벡터 RAG, GraphRAG, Agentic RAG 가운데 적합한 파이프라인으로 요청을 보낸다. 하이브리드 벡터와 그래프를 결합한 아키텍처도 엔터프라이즈의 지배적인 패턴으로 자리 잡았다.

갭 분석이 다음 검색을 결정한다

Agentic RAG의 쿼리 재작성은 원문에 동의어나 관련어를 붙이는 작업이 아니다. Sufficient Context Agent가 작성한 갭 분석 리포트를 입력으로 사용하므로, 다음 쿼리에는 현재 답변에 필요한 정보가 구체적으로 반영된다.

멀티홉 검색 역시 여러 소스를 단순히 차례대로 조회하는 방식과 다르다. 병렬 팬아웃으로 후보 정보를 모은 뒤 컨텍스트를 통합한다. 각 홉에서 확보한 정보는 후속 쿼리의 맥락으로 누적되기 때문에 복잡한 엔터프라이즈 질의에서도 검색의 연속성을 유지할 수 있다.

소스 신뢰도는 검색 단계가 아니라 충분성 평가 단계에서 다룬다. Sufficient Context Agent가 스니펫의 출처와 최신성, 관련성을 함께 평가하고 그 근거를 Reason 로그에 기록한다.

엔터프라이즈 적용과 비용 경계

Agentic RAG는 규정 준수, 연구 합성, 경쟁 인텔리전스처럼 높은 신뢰성이 요구되는 엔터프라이즈 유스케이스에서 전통적인 검색 파이프라인을 대체하는 추세다. SQL, PDF, 웹, 구조화 데이터를 각각 담당하는 전문 에이전트를 코디네이터가 조율하는 패턴도 확산되고 있다.

Google의 Cross-Corpus Retrieval은 2026년 6월 5일부터 Gemini Enterprise Agent Platform에서 공개 프리뷰로 제공된다.

운영에서 가장 큰 제약은 비용이다. Agentic RAG는 표준 RAG와 비교해 쿼리당 최대 10배의 비용이 들 수 있다. 따라서 단순한 질의는 표준 RAG로 처리하고, 복잡한 멀티홉 질의만 Agentic RAG로 보내는 복잡도 기반 라우팅이 필요하다. 이 Adaptive 전략이 2026년 현재 권고되는 접근이다.

정보시스템 설계로 읽는 충분성 검사

Sufficient Context Agent는 정보검색 이론의 재현율(Recall)과 정밀도(Precision) 사이에서 현재 답변에 필요한 정보가 확보됐는지를 동적으로 판정하는 메커니즘으로 해석할 수 있다. 충분성 기준을 명시하고 피드백 루프를 설계하는 방식은 정보시스템의 품질 보증 구조와 연결된다.

오케스트레이터와 서브에이전트를 계층화한 구조는 분산 시스템의 역할 분리 원칙과도 맞닿아 있다. 계층마다 책임을 구분하고 검색을 병렬 처리한 뒤 결과를 집계하는 패턴은 대규모 정보 처리 시스템에 그대로 적용할 수 있다.

갭 분석을 바탕으로 검색과 검증을 반복하는 과정은 소프트웨어 품질 관리의 결함 추적·재검증 사이클과 유사하다. 정보관리 관점에서는 불완전한 검색 결과를 식별하고 데이터 완전성을 확보하는 품질 통제 장치다.

단일 패스 RAG가 검색 결과를 곧바로 생성에 넘긴다면, Google의 Agentic RAG는 정보가 충분한지 별도의 에이전트가 먼저 판단한다. FramesQA에서 확인된 34%의 사실성 향상과 90.1%의 크로스 코퍼스 정확도는 이 반복 구조의 적용 가능성을 보여준다. 다만 컴퓨팅 비용을 고려하면 모든 요청을 동일하게 처리하기보다 질의 복잡도에 따라 검색 파이프라인을 선택하는 설계가 필요하다.