AgentScope RAG + 메모리 아키텍처 — 지식 기반 에이전트 만들기
KnowledgeBase, 벡터 저장소(Qdrant/Milvus), ReMe 장기 메모리로 지식 기반 에이전트 구축.

AgentScope RAG + 메모리 아키텍처 — 지식 기반 에이전트 만들기
에이전트가 도구를 쓰고, 파이프라인으로 협업하고, MCP로 외부 서비스를 연동하더라도 한 가지가 빠져 있습니다 — 지식입니다. 회사 문서를 읽지 못하는 에이전트는 매번 같은 질문에 "모르겠습니다"라고 답합니다.
이 글에서는 AgentScope의 RAG(검색 증강 생성) 시스템과 메모리 아키텍처를 다룹니다. 문서를 벡터화하고, 에이전트가 필요할 때 검색하고, 대화 맥락을 장기 기억으로 저장하는 방법을 구현합니다.
시리즈: Part 1: 시작하기 | Part 2: 멀티 에이전트 | Part 3: MCP 서버 연동 | Part 4 (이 글) | Part 5: 실시간 음성 에이전트 | Part 6: 프로덕션 배포
1. RAG 개요
🔐
구독 회원 전용 글입니다
구독하면 모든 프리미엄 시리즈와 Jupyter 노트북이 열립니다.
결제하려면 무료 계정이 필요합니다. 언제든 취소할 수 있습니다.
관련 포스트

AI & Agents
DeerFlow 2.0 커스텀 스킬 + MCP + 샌드박스 — 나만의 도구와 워크플로우 만들기
DeerFlow의 마크다운 기반 스킬 시스템, MCP 서버 연동, Docker/K8s 샌드박스, 영구 메모리 시스템을 실전 코드와 함께 다룹니다.

AI & Agents
DeerFlow 2.0 Multi-Agent 워크플로우 심화 — StateGraph, Plan-Execute, Human-in-the-Loop
DeerFlow의 LangGraph StateGraph 기반 Multi-Agent 워크플로우를 코드 수준에서 분석합니다. Supervisor 라우팅, Plan-Execute 패턴, 서브 에이전트 동적 생성.

AI & Agents
DeerFlow 2.0 완전 정복 — ByteDance의 오픈소스 SuperAgent 런타임
ByteDance DeerFlow 2.0의 아키텍처, 설치, 첫 태스크 실행까지. 9개 에이전트 노드, 5가지 도구 소스, Docker 샌드박스를 갖춘 SuperAgent 런타임.