핵심 결론
1. 청크보다 증거 구조
검색 대상은 top-k 텍스트가 아니라 ontology, fact, passage, source metadata가 연결된 증거 구조여야 한다.
2. 기억에는 시간과 권한이 필요
장기 메모리는 캐시가 아니라 생성 시점, 유효 기간, stale 상태, 접근 권한을 가진 상태 저장소다.
3. 에이전트는 protocol 문제
역할을 여러 개 나누는 것보다 메시지 의미, 상태 전이, 종료 조건, verifier가 중요하다.
4. 도구는 결과로 평가
MCP/tool trace가 그럴듯해도 final result와 side effect가 틀리면 실패다.
5. RAG 보안은 컨텍스트 보안
검색 문서, tool output, 에이전트 메시지는 모두 untrusted input으로 검사해야 한다.
6. 학습은 감사 이후
RL/self-learning은 trace, verifier, reward, 데이터 거버넌스가 준비된 뒤 붙이는 마지막 단계다.
RAG 진화 지도
Basic RAG → Graph/Memory RAG → Agentic RAG → Learning RAG 7,10 1,2,5,6,11,12 3,4,9,13,16,17 14,15,16
도입 로드맵
| 단계 | 목표 | 관련 영상 |
|---|---|---|
| 0 | 기본 파일 검색과 문서 Q&A 경계 확인 | 7, 10 |
| 1 | source, owner, timestamp, ACL, trust level 고정 | 1, 8 |
| 2 | ontology/fact/passage 최소 그래프 구축 | 1, 11, 12 |
| 3 | 시간성, 계층, 경로 기반 검색 추가 | 2, 5, 6 |
| 4 | skill과 MCP tool 실행 연결, read-only부터 시작 | 3, 13, 16 |
| 5 | prompt injection, 권한, 출처 신뢰도, 응답 검증 | 8 |
| 6 | 충분한 trace와 verifier 이후 RL/self-learning 검토 | 14, 15, 16 |
영상별 보고서
| 번호 | 주제 | 핵심 역할 | HTML |
|---|---|---|---|
| 1 | MemoryGraphRAG | ontology/fact/passage 메모리와 GraphRAG 품질 관리 | 열기 |
| 2 | 시간 기반 위상학적 RAG | 장기 기억의 시간성, 상태 변화, 위상 구조 | 열기 |
| 3 | SkillRAE | 검색 증강 실행과 skill 선택 | 열기 |
| 4 | 다중 에이전트 소통 실패 | 프롬프트만으로 협력이 생기지 않는다는 경고 | 열기 |
| 5 | S-Path-RAG | 텍스트 청크보다 경로와 구조 중심 검색 | 열기 |
| 6 | World Model RAG | 생성적 의미 작업 공간과 world model | 열기 |
| 7 | Google 무료 RAG 앱 | 기본 RAG 실험과 도입 출발점 | 열기 |
| 8 | RAG 보안 | RAG가 guardrail을 깨는 공격면이 될 수 있음 | 열기 |
| 9 | 고유 벡터 다중 에이전트 RAG | 다중 에이전트를 네트워크 동역학으로 해석 | 열기 |
| 10 | RAG가 돌아왔습니다 | RAG의 재부상과 기본 원리 재정의 | 열기 |
| 11 | HiRAG | GraphRAG를 위한 계층적 추론 | 열기 |
| 12 | LeanRAG | 다층 지식 그래프와 RAG 3.0 | 열기 |
| 13 | ComoRAG와 REX-RAG | RAG-Agency 구현 관점 | 열기 |
| 14 | Graph-R1 | hypergraph와 RL 기반 agentic retrieval | 열기 |
| 15 | UR2 | 자기 학습 AI 에이전트 추론 | 열기 |
| 16 | MCP 도구 사용 실패 | tool-use policy 평가와 학습 | 열기 |
| 17 | 의사소통 AI 세계 모델 | multi-agent communication world model | 열기 |