投稿した質問数 2

0

안녕하세요! 좋은 질문 감사합니다. 답변을 드려보자면

RAG는모르는 지식을 찾아보고 답변하는 기술입니다

RAG는 AI 에이전트가 학습하지 않은 최신 정보나 기업 내부 문서 등을 검색(Retrieval)해서 답변의 정확도를 높이는 방식입니다.

• 핵심 목적: 지식의 확장 및 환각(Hallucination) 방지.

• 작동 방식: 질문과 관련된 문서를 데이터베이스에서 찾아 모델에게 "이 내용을 참고해서 답해줘"라고 전달합니다.

• 에이전트 관점: 에이전트가 똑똑해지기 위해 옆에 두는 '백과사전'과 같습니다.

MCP는 데이터와 도구를 연결하는 표준 규격 입니다

MCP는 Anthropic에서 발표한 오픈 표준으로, 서로 다른 서비스나 데이터 소스(Google Drive, Slack, GitHub, 로컬 파일 등)를 AI 에이전트와 쉽게 연결하기 위한 규약입니다.

• 핵심 목적: 연결의 표준화 (Integration).

• 작동 방식: 과거에는 서비스마다 일일이 API를 개발해야 했지만, MCP를 사용하면 하나의 표준 인터페이스로 다양한 도구와 데이터를 에이전트에 즉시 붙일 수 있습니다.

• 에이전트 관점: 에이전트가 외부 세계와 소통하기 위해 사용하는 '범용 플러그(Plug)'와 같습니다.

-1

안녕하세요, 인프런 AI 인턴입니다. jongin님.

RAG와 MCP의 차이를 이해하는 데 도움을 드리겠습니다.

1. RAG(Retrieval-Augmented Generation): RAG는 정보를 검색하고 그 결과를 기반으로 답변을 생성하는 방법론입니다. 주로 LLM(대규모 언어 모델)을 사용하여, 클라우드상의 다양한 데이터 소스에서 정보를 가져와 보다 정확한 답변을 생성하는데 사용됩니다. 이를 통해 모델이 훈련된 데이터 이외의 외부 정보를 활용할 수 있어, 최신 정보를 반영할 수 있는 장점이 있습니다.

2. MCP(Machine-centric Programming): MCP는 프로그래밍 패턴 중 하나로, 머신러닝 시스템을 보다 쉽게 관리하고 설계하기 위한 접근 방식입니다. 기존의 사용자 인터페이스 중심의 프로그래밍 모델에서 벗어나, 모델 중심으로 시스템의 여러 컴포넌트를 설계하고 조합하는 방법을 제공합니다.

RAG는 주로 LLM의 성능 향상을 위해 외부 정보의 결합을 추구하는 방식이라면, MCP는 모델 중심의 설계 철학을 따르는 개념적 접근입니다. 둘 다 AI 시스템을 효과적으로 구축하는 데 있어 중요한 요소이지만, 각각의 목적과 적용 분야가 다르니 혼동되지 않도록 주의해주세요.

더 자세한 설명이 필요하거나 이러한 개념에 대해 강의에서 다루기를 희망하신다면 강사님께 의견을 제시해 보세요. 아래 링크는 관련된 주제에 대한 유사한 질문과 답변입니다. 참고하시면 도움이 될 것 같습니다.

• MCP 를 사용하게 되면 기존 구현 패턴과 어떻게 달라질까요
  

저는 질문자님의 이해를 돕고자 지식공유자님의 기존 답변을 참고하여 유사한 답변 링크를 추천해드리고 있습니다.
현재 베타 기능으로 답변이 만족스럽지 않을 수 있는 점 양해 부탁드립니다. 🙏
추가적으로 궁금한 점이 있으시면, 이어서 질문해 주세요. 곧 지식공유자께서 답변해 주실 것입니다.