에이전트 지식 기반
에이전트 지식 기반(AKB)은 자율 AI 에이전트가 의사 결정을 내리고, 사용자 질문에 답하며, 작업을 수행하는 데 사용하는 중앙 집중식의 구조화되고 종종 벡터화된 정보 저장소입니다. 대규모 언어 모델(LLM)에 내재된 일반 지식과는 달리, AKB는 특정적이고, 독점적이거나, 최신 도메인 지식을 제공합니다.
AKB가 없으면 AI 에이전트는 훈련된 데이터에만 국한되어 환각 현상, 오래된 답변, 그리고 특수한 비즈니스 로직을 처리할 수 없는 문제가 발생합니다. AKB는 에이전트를 검증 가능한 사실에 기반하도록 하여, 출력 결과가 신뢰할 수 있고, 믿을 만하며, 비즈니스의 특정 운영 환경과 관련성 있게 만듭니다.
일반적인 워크플로우는 검색 증강 생성(RAG)을 포함합니다. 사용자가 에이전트에게 프롬프트를 입력하면, 시스템은 먼저 AKB를 쿼리합니다. 이 검색 과정은 가장 의미론적으로 관련성 높은 문서나 데이터 조각을 찾습니다. 이렇게 검색된 조각들은 LLM의 프롬프트에 컨텍스트로 주입되어, LLM이 제공된 검증된 자료를 기반으로 답변을 생성할 수 있게 합니다.
효과적인 AKB를 구현하려면 강력한 데이터 수집 파이프라인, 효과적인 청킹(chunking) 전략, 그리고 고품질의 벡터 인덱싱이 필요합니다. 데이터 구조가 부실하면 검색 품질이 떨어지고, 이는 LLM의 이점을 상쇄시킵니다.
이 개념은 벡터 데이터베이스, 검색 증강 생성(RAG), 그리고 시맨틱 검색과 밀접하게 관련되어 있습니다.
