회사 규정, AI가 찾아서 답할까? RAG vs Agentic RAG 240번 실측 — 숫자가 맞아도 짐작일 수 있다 | 에이전트 제대로 이해하기 6편

가나다식품(가상) 사내 규정집 36개 조항으로 질문 20개(단순 · 양식 코드 · 두 조항 연결 · 개정 · 없는 규정)를 조건 4개로 3번씩, 모두 240번 실제로 돌렸습니다. 검색 없이는 모른다고 답한 것만 맞았고, 있지도 않은 사내 헬스장 이용 시간을 지어내기도 했습니다. 질문으로 한 번 찾아 붙이는 일반 RAG는 근거 있는 정답 42/60, 에이전트가 검색어를 다듬어 스스로 찾는 Agentic RAG는 56/60이었습니다. 차이는 '대리의 출장 숙박비 한도'처럼 직급 등급표와 숙박비 조항을 이어야 하는 질문에서 났고(3/18 → 14/18), 일반 RAG는 '차장은 보통 A 등급'처럼 짐작으로 숫자를 맞히기도 했습니다. 개정 공지를 못 찾아 옛 규정으로 답한 사례와 우리 회사 규정 RAG 점검표까지 정리합니다. ⏱ 챕터 0:00 오프닝 — 결론부터 1:30 01 메모리와 RAG (찾아서 붙여 주기) 2:52 02 실험 — 사내 규정집 질문 20개 4:50 03 어디서 갈렸나 (짐작 · 옛 규정 · 검색어) 6:40 04 우리 회사 규정 RAG 점검표 📚 원본 『AI 에이전트를 깊이 이해하기: 설계 원리와 엔지니어링 실전』 리보제(李博杰) 지음, 한국어판 번역 @JeongJaeSoon https://github.com/bojieli/ai-agent-book — Apache License 2.0 라이선스: 원문은 Apache License 2.0 으로 배포됩니다(일부 하위 프로젝트는 별도 라이선스) — 전문 https://www.apache.org/licenses/LICEN... 이 영상은 원서 3장(사용자 메모리 · RAG 기초 · 혼합 검색 · Agentic RAG)을 바탕으로 AI워크랩이 다시 구성하고 예제를 바꾼 것입니다. 원서 실험 3-6 · 3-8을 가나다식품 사내 규정집으로 바꿔 직접 실행했습니다. 📌 참고 실습 결과는 OpenAI gpt-4.1-mini · text-embedding-3-small로 2026-10-21에 실제 실행한 결과입니다. '근거 있는 정답'은 답에 필요한 조항을 실제로 검색해 왔을 때만 인정했습니다. Agentic RAG 지시문에는 '직급별 한도는 등급표도 찾을 것' 검색 요령 한 줄을 넣었습니다. 모델과 실행 시점에 따라 결과는 달라질 수 있습니다. 가나다식품과 사내 규정집은 모두 교육용 가상 데이터입니다. n8n으로 규정집 RAG를 직접 만드는 방법은 AI워크랩 n8n 시리즈를 참고하세요. #AI에이전트 #RAG #AgenticRAG #사내규정 #AI업무활용 #AI워크랩