01Standard RAG
일반형 RAG
기업 지식을 검색해 근거와 함께 답변을 생성하는 기본 구조입니다. 빠른 구축과 안정적인 지식 검색이 필요한 업무에 적합합니다.
SimBD-RAG
고객의 기술 요구에 맞춰, 일반형 RAG부터 Agentic AI형 RAG까지
SimBD-RAG는 하나의 방식만 강요하지 않습니다. 빠른 검색·답변이 필요한 일반형 RAG, 복잡한 처리 과정을 시각적으로 구성하는 워크플로우형 RAG, AI Agent가 계획·검색·도구 호출·검증을 반복하며 업무를 수행하는 Agentic AI형 RAG 가운데 기술 요구와 목적에 맞는 제품을 제공합니다.
#일반형 RAG
#워크플로우형 RAG
#Agentic AI형 RAG
#멀티 LLM·RAGOps
RAG Evolution
업무에 맞는 RAG를 선택하고, 필요에 따라 Agentic AI형까지 확장합니다
모든 고객에게 같은 구조를 적용하지 않습니다. 기술 요구사항과 업무 복잡도, 데이터·보안·운영 조건에 따라 일반형·워크플로우형·Agentic AI형 중 필요한 제품을 선택해 구축합니다.
02Workflow RAG
워크플로우형 RAG
검색·리랭크·추론·검증·저장을 시각적 워크플로우로 연결합니다. 조건 분기·반복·서브워크플로우로 복잡한 업무 규칙을 반영합니다.
03Agentic AI RAG
에이전틱 AI RAG
AI Agent가 목표를 분석하고 지식과 도구를 선택해 검색·검증·실행을 반복합니다. 상황에 따라 다음 행동을 스스로 계획하는 업무형 RAG입니다.
각 유형은 고객의 기술 요구사항에 맞춰 독립 제품으로 제공할 수 있습니다. 일반형에서 시작해 단계적으로 고도화하거나, 처음부터 워크플로우형·Agentic AI형을 적용하고 업무별로 조합할 수도 있습니다.
Flow RAG
복잡한 처리 과정이 필요할 때, 시각적 워크플로우로 확장합니다
워크플로우형 RAG는 SimBD-RAG가 제공하는 제품 유형 중 하나입니다. 업무에 필요한 노드를 배치하고 조건 분기·반복·서브워크플로우로 연결해 실제로 실행되는 기업별 RAG 흐름을 구성합니다.
Visual Workflow
Representative executable RAG flow
Start·EndTransformConditionLoopSub WorkflowMCP ToolLLMAPI·DBCustom Node
01
INPUT & ROUTING
START
질문·업무 입력
CUSTOM·MCP
의도·분류 분석
CONDITION
조건 분기
02
RETRIEVAL & CONTEXT
API·CUSTOM
Hybrid Search
CUSTOM
Reranking
LOOP·SUB FLOW
문서·근거 확장
TRANSFORM
컨텍스트 구성
03
GENERATE & OPERATE
LLM
모델 라우팅·추론
MCP·CUSTOM
근거·정책 검증
RUN
품질·실행 기록
END
답변·결과 전달
위 화면은 대표 구성을 단순화한 예시입니다. 실제 워크플로우는 업무 목적에 따라 노드 수, 분기 조건, 반복과 서브워크플로우 구성을 자유롭게 설계합니다.
Complexity, Made Visible
수십 개 노드가 얽힌 복잡한 RAG도, 한눈에 이해하고 자유롭게 조정합니다
업무가 복잡해질수록 코드와 설정만으로 전체 실행 경로를 파악하기 어렵습니다. SimBD-RAG는 여러 검색 경로와 조건 분기, 반복, 서브워크플로우, 멀티 LLM과 검증 단계를 하나의 시각적 캔버스에 펼쳐 설계·검증·운영할 수 있게 합니다.
01
복잡성을 구조로
분산된 처리 로직을 연결된 노드와 실행 경로로 표현해 전체 구조를 빠르게 파악합니다.
02
변경을 화면에서
노드 추가·배치·연결과 분기 조건을 시각적 편집기에서 직접 조정합니다.
03
운영까지 한 흐름으로
워크플로우 검증·테스트·버전과 Worker 실행 이력을 같은 운영 체계에서 관리합니다.
Knowledge Preparation
좋은 답변은 준비된 지식에서, 신뢰는 검증된 근거에서 시작합니다
문서를 그대로 넣지 않습니다. 파싱 품질과 구조를 점검하고 검색에 적합한 단위로 가공한 뒤, 검색·리랭크·근거 검증을 하나의 워크플로우로 연결합니다. 답변의 근거를 확인하고 환각 가능성이 있는 응답을 선별해 AI 할루시네이션·환각은 줄이고 답변의 신뢰도는 높입니다.
01
업로드
파일·URL·텍스트 등 업무 문서를 등록합니다.
02
파싱 비교
문서 유형에 맞는 파서를 적용하고 추출 결과를 비교합니다.
03
품질검수
텍스트·표·구조의 추출 품질을 점검합니다.
04
청킹
목차·문단과 업무 의미를 고려해 검색 단위로 분할합니다.
05
저장·색인
BM25·Vector·Hybrid Search에 사용할 지식으로 저장합니다.
Core Capabilities
검색 기술이 아니라, 신뢰할 수 있는 답변 흐름을 만듭니다
01
일반형 RAG 구성
검색·생성 중심의 단순하고 안정적인 RAG부터 빠르게 구성해 업무 지식 검색에 적용합니다.
02
시각적 워크플로우 편집기
RAG 처리 과정을 플로우차트로 설계하고 노드와 연결 관계를 한 화면에서 관리합니다.
03
Agent 계획·실행
AI Agent가 업무 목표를 세부 작업으로 나누고 필요한 지식과 도구, 다음 실행 단계를 선택합니다.
04
Adaptive Retrieval
검색 결과와 근거 충분성을 판단해 필요한 지식원을 다시 탐색하고 검색 전략을 조정합니다.
05
조건 분기·반복
질의 유형과 검색 결과에 따라 흐름을 나누고 필요한 처리 단계를 반복 실행합니다.
06
서브 워크플로우
문서 조회와 전처리처럼 반복되는 흐름을 별도 워크플로우로 만들어 재사용합니다.
07
MCP 도구 연결
검색·파싱·분류·검증 등 AI 도구를 MCP 노드로 연결해 필요한 시점에 호출합니다.
08
LLM·API·DB 연동
LLM 추론, 외부 API, 데이터베이스 조회와 사내 시스템을 하나의 실행 흐름으로 조합합니다.
09
기업별 커스텀 노드
기업의 업무 로직과 기존 솔루션을 전용 노드로 확장해 워크플로우에 바로 연결합니다.
10
Hybrid Search·Reranking
BM25·Vector·Hybrid 검색과 재정렬을 조합해 업무에 필요한 근거를 정밀하게 선별합니다.
11
검증·테스트·버전 관리
저장 전 워크플로우를 검증하고 테스트 실행과 버전 관리를 통해 변경을 통제합니다.
12
실행 이력·Worker 운영
실행 결과와 처리 시간을 추적하고 실시간·배치·백그라운드 워커로 운영합니다.
Multi-LLM Orchestration
모든 질문에 같은 LLM을 쓰지 않습니다
SimBD-RAG는 요청의 추론 난이도, 업무 중요도와 토큰 예산을 먼저 판단합니다. 단순한 작업은 경량 모델로 빠르게 처리하고, 복잡한 추론은 고성능 모델에 맡깁니다. 중요한 답변은 동일한 질의를 복수 LLM에 중복 실행해 결과 일치도를 신뢰도로 평가하며, 결과가 다르면 질의를 보정해 신뢰 기준을 충족할 때까지 재추론합니다.
01빠른 처리
단순 분류·요약
경량 LLM
응답속도와 토큰 효율 우선
02정밀 추론
복합 질의·규정 판단 지원
고성능 LLM
난이도에 맞는 추론 역량 배치
03반복 교차 검증
고위험·중요 답변
복수 LLM 중복 추론
답변 일치도를 평가하고 불일치하면 질의를 보정해 재추론
품질은 유지하고, 토큰은 필요한 만큼만
모델별 호출 조건과 토큰 예산을 흐름에 반영해 과도한 LLM 사용을 줄이고, 처리 품질·응답속도·운영비용을 함께 관리합니다.
Enterprise AI Operations
폐쇄망에서도 이어지는 LLMOps·RAGOps
엔터프라이즈 RAG는 모델을 연결하는 것만으로 완성되지 않습니다. 로컬 LLM과 지식 데이터, 검색 품질과 토큰 사용량을 하나의 운영 기준으로 관리해야 합니다.
01
Workflow Governance
워크플로우의 버전, 검증과 테스트 실행을 관리해 운영 환경의 변경 위험을 줄입니다.
02
Worker Runtime
실시간 요청과 배치·백그라운드 실행을 Worker로 분리하고 실행 상태와 처리량을 모니터링합니다.
03
LLMOps·RAGOps
모델·라우팅·토큰과 문서·검색·리랭크·실행 이력을 함께 관리해 품질을 지속적으로 개선합니다.
실제 폐쇄망·온프레미스 적용 범위는 사용 모델의 라이선스, 서버 자원, 데이터 반출 정책과 기존 인프라를 확인해 설계합니다.
Workflow Execution Architecture
보이는 플로우차트가, 실제 실행되는 RAG 시스템으로
웹에서 설계한 워크플로우를 자체 Core Engine이 실행합니다. Profile이 입력·출력과 Worker를 연결하고, 각 노드는 MCP·LLM·API·DB와 기업별 도구를 호출하며 결과와 실행 이력을 운영 체계에 남깁니다.
01
Visual Web Editor
노드를 배치하고 연결해 RAG 워크플로우와 실행 조건을 시각적으로 설계합니다.
02
Profile
트리거와 입력·출력, 실행 Worker를 지정해 하나의 워크플로우를 다양한 방식으로 운영합니다.
03
Core Engine
정의된 노드와 연결 관계를 해석하고 조건 분기·반복·서브워크플로우를 실제로 실행합니다.
04
MCP·LLM·API·DB
검색과 AI 도구, 모델, 외부 서비스와 데이터베이스를 표준·커스텀 노드로 호출합니다.
05
Worker·Sink·Run
실시간·배치 실행을 처리하고 결과 저장과 실행 이력, 운영 지표를 관리합니다.
Use Cases
업무가 복잡할수록, 흐름은 더 명확해야 합니다
01
법령·규정 RAG
질의 분류, 법령·표·FAQ 검색, 문서 확장과 근거 검증을 워크플로우로 연결합니다.
02
금융 상담·QA
상담 질문을 분류하고 규정·상품설명서 검색, 근거 검증과 위험 신호 평가를 연결합니다.
03
기업 지식 검색
부서와 권한에 맞는 지식원을 선택하고 여러 문서의 근거를 비교해 출처가 있는 답변을 제공합니다.
04
업무형 AI Agent
RAG 검색과 MCP·API 도구 호출, 조건 판단과 후속 업무를 하나의 실행 흐름으로 구성합니다.
자주 묻는 질문
어떤 유형의 RAG를 구축할 수 있나요?
SimBD-RAG는 검색·답변 중심의 일반형 RAG, 처리 단계를 시각적으로 구성하는 워크플로우형 RAG, AI Agent가 계획·검색·도구 호출·검증을 반복하는 Agentic AI형 RAG를 지원합니다. 고객의 기술 요구사항과 업무 복잡도, 데이터, 보안·운영 환경에 맞춰 필요한 유형을 개별 도입하거나 단계적으로 고도화할 수 있습니다.
Agentic AI RAG는 무엇이 다른가요?
정해진 순서만 실행하는 대신 AI Agent가 목표와 현재 상태를 판단해 필요한 지식원과 도구를 선택합니다. 근거가 부족하면 다시 검색하고, 조건에 따라 검증·업무 실행·담당자 확인 단계로 이어지는 적응형 RAG를 구성할 수 있습니다.
플로우차트는 실제로 실행되나요?
화면에서 만든 워크플로우는 단순한 설계도가 아닙니다. 자체 Core Engine이 노드와 연결 관계를 해석하고 Profile에 설정한 입력·출력과 Worker 환경에 따라 실제로 실행합니다.
MCP로 어떤 기능을 확장할 수 있나요?
MCP를 통해 검색·파싱·분류·검증 도구는 물론 사내 API와 업무 시스템을 필요한 위치에 노드로 연결할 수 있습니다. 표준 기능에 업무별 도구와 데이터를 자유롭게 결합해 워크플로우의 기능을 확장하고, 새로운 연동도 전체 구조를 다시 개발하지 않고 추가할 수 있습니다.
기존 벡터 DB나 LLM을 그대로 사용할 수 있나요?
LLM, 검색기, 재정렬기, API, 데이터베이스와 업무 도구를 표준 또는 커스텀 노드로 연결할 수 있습니다. 실제 연동 범위는 사용 중인 제품과 보안·배포 환경을 확인해 설계합니다.
복잡한 업무 흐름도 재사용할 수 있나요?
반복되는 문서 조회와 전처리 흐름은 서브워크플로우로 분리하고 여러 워크플로우에서 재사용할 수 있습니다.
온프레미스 환경에도 적용할 수 있나요?
사내 로컬 LLM과 지식 저장소를 활용할 수 있습니다. 데이터 반출 정책과 서버 자원, 모델 라이선스, 기존 인프라를 검토해 폐쇄망·온프레미스 또는 프라이빗 환경에 맞는 구성을 설계합니다.
우리 업무에 맞는 RAG 흐름을 설계하세요
현재 지식 데이터와 검색 구조, LLM, 보안 환경을 진단해 단순 검색을 넘어 검증 가능한 RAG 실행 흐름을 제안합니다.
SimBD-RAG 상담하기