LangGraph 프로젝트 설정을 자동화하는 create-agent-app 공개

작성자가 LangGraph 사용자들에게 RAG 템플릿에 대한 피드백을 요청하며 프로젝트를 공유했다.

• 초기 비용 없이 테스트하려면 Groq 무료 티어와 로컬 ChromaDB 조합을 활용하라.
• RAG 성능을 높이려면 단순 검색 대신 Cross-encoder 재순위화가 포함된 하이브리드 검색을 적용하라.
• 데이터 보안이 중요하다면 내장된 PII 비식별화 가드레일을 활성화하라.

ReAct

— 모델이 추론(Reasoning)과 행동(Acting)을 번갈아 수행하며 복잡한 문제를 해결하는 프롬프팅 기법이다. 모델이 도구 사용 계획을 세우고 실행 결과를 관찰하여 다음 단계를 결정하는 루프 구조를 형성한다. 에이전트가 자율적으로 외부 도구와 상호작용하며 목표를 달성하게 하는 핵심 메커니즘이다.

CRAG

— 검색된 문서의 관련성을 평가하여 생성 단계 이전에 검색 결과를 스스로 교정하는 RAG의 확장 기법이다. 검색 품질이 낮을 경우 웹 검색을 수행하거나 지식 부족을 인정함으로써 할루시네이션을 방지한다. 검색 결과의 신뢰도를 높여 최종 응답의 정확성을 보장하는 역할을 한다.

RRF

— 서로 다른 검색 알고리즘의 결과 순위를 통합하여 최종 순위를 결정하는 앙상블 기법이다. 밀집 검색(Dense)과 희소 검색(BM25)의 장점을 결합하여 검색 성능을 최적화하는 데 주로 사용된다. 특정 모델의 편향을 줄이고 검색의 재현율과 정밀도를 동시에 개선하는 데 효과적이다.

Cross-Encoder

— 질문과 문서를 동시에 입력받아 둘 사이의 의미적 유사도를 정밀하게 계산하는 모델 구조이다. Bi-Encoder보다 연산 비용은 높지만 문맥적 관계를 더 정확히 파악하여 검색 결과의 재순위화(Reranking) 단계에서 필수적으로 사용된다. RAG 시스템에서 최종 답변에 사용될 문서의 품질을 결정짓는 중요한 요소이다.