최신 기사

Azure AI Search가 RAG 도입 난제에 접근하는 두 가지 방식

Microsoft는 Azure AI Search가 에이전트 검색(프리뷰)과 클래식 RAG 패턴 두 가지 방식을 제공한다고 밝힙니다. GA 안정성이 필요한지, 복합 질의 분해가 필요한지에 따라 선택 조건이 달라집니다.

RAG가 다루는 문제와 Azure AI Search의 접근 방식

사내 문서를 LLM(대규모 언어 모델)에 연결해 질의에 답하게 하는 방식을 RAG(검색 증강 생성, Retrieval-Augmented Generation)라고 합니다. 개념은 단순하지만 실제 도입에는 몇 가지 구조적 난제가 따릅니다. Microsoft의 공식 문서는 이 난제를 다섯 가지로 정리합니다. 질의 이해, 다중 소스 데이터 접근, 토큰 제약, 응답 속도, 보안 및 거버넌스입니다.

보안 측면에서 Microsoft는 비공개 콘텐츠를 LLM에 개방하려면 세밀한 접근 제어가 필요하다고 설명합니다.

이 난제들에 대응하기 위해 Microsoft는 Azure AI Search가 두 가지 접근 방식을 제공한다고 밝힙니다. 하나는 에이전트 검색(Agentic retrieval)으로, LLM 기반 쿼리 플래닝을 포함한 완전한 RAG 파이프라인이며 현재 프리뷰(preview) 단계입니다. 다른 하나는 하이브리드 검색과 시맨틱 랭킹을 활용하는 클래식 RAG 패턴으로, GA(일반 공급) 기능이 필요한 경우에 적합하다고 설명합니다.

에이전트 검색에서 LLM은 질문을 분석해 여러 개의 세부 서브쿼리를 생성한다고 Microsoft는 설명합니다. 예를 들어 "2023년 이후 채용된 재택근무자의 PTO 정책은?"처럼 복합적인 질문을 분해해 각각 검색한 뒤 결과를 통합하는 방식입니다.

같은 문서에 따르면 Azure AI Search는 Microsoft Foundry 포털의 에이전트를 위한 관리형 지식 계층인 Foundry IQ의 기반이기도 합니다. Foundry IQ는 엔터프라이즈 콘텐츠를 재사용 가능하고 권한 인식(permission-aware) 방식의 지식 베이스로 변환한다고 Microsoft는 밝힙니다.

도입 전에 확인할 조건과 보류할 판단

위 내용은 모두 Microsoft 공식 문서에 근거한 공급업체 주장입니다. 독립적인 성능 검증, 시장 전반의 채택 현황, 지역별 서비스 제공 여부는 이 근거 자료로는 확인되지 않습니다.

도입을 검토한다면 먼저 두 가지 조건을 나눠 보는 것이 유용합니다. 에이전트 검색은 현재 프리뷰 단계이므로, GA 안정성이 필요한 업무에는 클래식 RAG 패턴이 더 적합할 수 있습니다. 반면 복합 질의가 많고 여러 데이터 소스를 통합해야 하는 환경이라면 에이전트 검색의 서브쿼리 분해 방식이 평가해볼 만한 선택지입니다. 단, 실제 성능 차이는 이 자료만으로는 판단할 수 없으므로 직접 테스트를 통해 확인해야 합니다.

출처

  1. Microsoft — 2026-10-18

변경 이력

  • rev.1공개일

표시 언어

관련 기사