rag-agent

name	rag-agent
description	RAG(Retrieval-Augmented Generation) 에이전트 구축 가이드. 벡터 스토어 검색, 문서 청킹, content_and_artifact 패턴을 다룹니다.
license	MIT
compatibility	Python 3.12+
metadata	{"category":"rag","difficulty":"intermediate"}
allowed-tools	retrieve

RAG Agent 스킬

사용 시기

• 사용자가 문서 기반 질의응답 시스템을 구축할 때
• 벡터 스토어에서 관련 문서를 검색하고 답변을 생성할 때
• RAG 파이프라인의 검색 품질을 개선할 때

워크플로

1. 문서 준비: 원본 문서를 RecursiveCharacterTextSplitter로 청킹
2. 임베딩 & 저장: OpenAIEmbeddings → InMemoryVectorStore (또는 FAISS, Chroma)
3. 검색 도구 정의: @tool(response_format="content_and_artifact") 패턴 사용
4. 에이전트 생성: create_deep_agent(tools=[retrieve]) — 검색 도구 전달
5. 질의 & 검증: 단순 질의 → 비교 질의 → 출처 확인

핵심 패턴

content_and_artifact 반환

@tool(response_format="content_and_artifact")
def retrieve(query: str):
    """벡터 스토어에서 관련 문서를 검색합니다."""
    results = vectorstore.similarity_search(query, k=3)
    content = "\n\n".join(d.page_content for d in results)
    return content, results  # (요약 텍스트, 원본 객체)

청킹 전략

파라미터	권장값	이유
chunk_size	1000	충분한 컨텍스트 유지
chunk_overlap	200	문맥 연결 보장
separators	["\n\n", "\n", " "]	자연스러운 경계

안전 규칙

• 검색된 문서에 없는 내용은 추측하지 않는다
• 출처(문서 제목, 페이지)를 반드시 명시한다
• 검색 결과가 부족하면 사용자에게 알린다