Agentic AI Busan은 고급 검색(Advanced RAG) 및 모듈식 RAG(Modular RAG) 기술을 활용하여 부산 여행 정보를 제공하는 AI 기반 서비스입니다. 사용자의 복잡하고 다양한 질문 의도를 파악하여, 부산의 맛집, 관광 명소 등에 대한 맞춤형 정보를 자연스러운 대화 형태로 제공함으로써 부산 여행 계획을 지원합니다. 이 프로젝트는 초기 Naive RAG 시스템에서 발전하여, 더욱 정확하고 풍부한 정보를 제공하는 것을 목표로 합니다. 이 프로젝트는 OKESTRO AGI(주)의 지원을 받았습니다.
Agentic AI Busan의 전체 구조와 데모 시연은 다음 영상을 참고해 주세요.
👉 Agentic AI Busan 프로젝트 발표 영상
- Advanced RAG:
- Hybrid Search: 키워드 기반 검색(BM25)과 의미론적 벡터 검색을 결합하고, TMM-CC 정규화를 통해 검색 정확도를 극대화합니다. (현재 가중치 α=0.8 적용)
- Reranking:
cross-encoder/ms-marco-MiniLM-L-6-v2모델을 사용하여 초기 검색 결과를 사용자 질문과의 관련성이 높은 순으로 재정렬하여 LLM에 더 정제된 컨텍스트를 제공합니다.
- Modular RAG:
- Multi-Vector Store: 식당, 관광지 등 도메인별 특화된 FAISS 벡터 DB를 구축하여 전문적이고 정확한 정보를 제공합니다.
- Query Router: LLM(
gpt-4o-mini활용)이 사용자 질문과 대화 맥락을 분석하여, 질문 의도를 'restaurant', 'attraction', 'general' 등의 카테고리로 자동 분류하고 최적의 정보 소스 및 서비스로 요청을 전달합니다. - Graph RAG:
NetworkX로 구축된 지식 그래프를 활용합니다. 벡터 검색 결과에서 추출된 주요 개체(장소, 메뉴 등)와 지식 그래프상의 관계를 파악하여, LLM에 더욱 풍부하고 맥락적인 정보를 제공함으로써 답변의 깊이를 더합니다. (예: 특정 식당 주변 관광지, 메뉴 상세 정보 등)
- Streamlit 기반 챗봇 UI:
- 사용자 친화적인 웹 인터페이스를 통해 실시간으로 AI와 대화하며 부산 여행 정보를 얻을 수 있습니다.
본 시스템의 핵심 아키텍처는 다음과 같은 흐름으로 사용자에게 답변을 제공합니다:
- User Prompt 입력: 사용자가 챗봇을 통해 자연어로 질문을 입력합니다.
- Hybrid Search:
- Vector Search: 사용자 질문을 임베딩하여 FAISS Vector Store에 저장된 문서들과의 의미적 유사도를 기반으로 상위 K개의 문서를 검색합니다.
- Keyword Search: 사용자 질문에서 키워드를 추출하고, TF-IDF 점수화 방식을 통해 문서 내 키워드 일치도를 기반으로 상위 K개의 문서를 검색합니다.
- Normalize & Reranking: 벡터 검색과 키워드 검색 결과를 통합하고 정규화한 후, Cross-Encoder 모델을 사용하여 사용자 질문과의 관련성이 높은 순서대로 문서들을 재정렬합니다.
- Context Integration:
- Document-based Context: 재순위화된 핵심 문서 내용을 컨텍스트로 구성합니다.
- Graph-based Additional Context: 검색된 문서에서 주요 엔티티(장소, 인물 등)를 추출하고, 사전에 구축된 Knowledge Graph에서 해당 엔티티와 관련된 추가 정보(주변 정보, 특징, 관계 등)를 탐색하여 컨텍스트를 더욱 풍부하게 만듭니다.
- LLM Prompting & Request: 통합된 문서 및 그래프 기반 컨텍스트와 사용자 질문을 바탕으로 LLM(GPT-4o mini)이 이해하기 쉬운 형태로 프롬프트를 구성하여 요청합니다.
- Generated Response: LLM이 구성된 프롬프트를 바탕으로 최종 답변을 생성하여 사용자에게 전달합니다.
이러한 RAG 파이프라인은 주로 ai-server 내에서 실행되며, ai-preprocessing 단계에서 생성된 벡터 DB와 지식 그래프를 활용합니다. 사용자는 **streamlit-app**을 통해 이 시스템과 상호작용합니다.
- Backend & AI/ML:
- Python 3.10+
- FastAPI: API 서버 구축
- LangChain: RAG 파이프라인, LLM 연동 및 프롬프트 관리
- OpenAI API (
gpt-4o-mini등): 자연어 이해, 생성 및 임베딩 - FAISS: 벡터 검색 및 저장소
- NetworkX: 지식 그래프 구축 및 관리
- Sentence Transformers (
cross-encoder/ms-marco-MiniLM-L-6-v2): Reranker 모델 - BM25: 키워드 검색
- Micro Frontend:
- Streamlit: 대화형 챗봇
- DevOps & Tools:
- Docker & Docker Compose: 컨테이너화 및 서비스 오케스트레이션
- GitHub: 버전 관리
- 데이터 소스:
보다 자세한 기술 구현 내용은 다음 문서들을 참고해주세요:
- RAG 구현:
docs/naive_rag_implementation.md: 초기 Naive RAG 구현 설명docs/advanced_rag_implementation.md: Hybrid Search, Reranking 등 Advanced RAG 구현 상세docs/modular_rag.md: Query Router, Multi-Vector Store, Graph RAG 등 Modular RAG 아키텍처 및 구현 상세
- 챗봇 및 기타:
docs/streamlit_chatbot_guide.md: Streamlit 기반 챗봇 UI 개발 가이드docs/query_extentions.md: 사용자 요청 파라미터 기반 동적 쿼리 생성 방식docs/JsonParser.md: LLM 응답 파싱 및 검증 시스템
다음 기능들은 현재 계획 단계에 있으며, 향후 업데이트를 통해 추가될 수 있습니다:
- 에이전트 시스템 (Agent System): 날씨 API, 지도 API 등 외부 도구 및 API, MCP와 연동하여, 단순 정보 제공을 넘어 여행 일정 추천, 예약 지원 등 보다 능동적인 기능을 제공합니다.
- 지원 도메인 확장: 숙소, 교통, 축제, 쇼핑 정보 등 부산 여행과 관련된 더욱 다양한 정보를 통합합니다.
- 다국어 지원: 외국인 관광객을 위한 다국어 지원 기능을 추가합니다.
민경진 |
<프로젝트 기여> • 약 60K 음식점 벡터 데이터베이스 구축 및 전처리 • LLM 리서치 (RAG, Agent, Prompt Engineering) • Advanced RAG 및 Modular RAG 시스템 설계 및 핵심 로직 구현 (하이브리드 검색, 리랭커, 쿼리 라우터, Graph RAG) • FastAPI 기반 API 서버 개발 및 서비스 로직 구현 • 전체 시스템 아키텍처 설계 및 통합 • Streamlit 기반 챗봇 UI 프로토타입 개발 |
정태준 |
<프로젝트 기여> • 관광지 데이터 수집, 전처리 및 벡터 데이터베이스 구축 • RAG 시스템 백엔드 API 개발 및 관리 지원 (Prompt Engineering, Query Expansion 포함) • Docker 및 Docker Compose 기반 개발 환경 구축 및 컨테이너 관리 • RAG 파이프라인 구현 및 테스트 기여 • GitHub Actions를 활용한 CI/CD 환경 구축 |
이 코드를 연구에 활용하셨다면, 아래 내용을 인용해 주세요:
@article{seong2025hybrid,
title={하이브리드 검색 기반 검색 증강 생성 기술을 활용한 개인 맞춤형 관광 일정 추천 서비스 개발},
author={성수립 and 조성현},
journal={2025년 대한전자공학회(IEIE) 추계학술대회 논문집},
year={2025}
}이 프로젝트는 MIT 라이선스를 따릅니다. 자세한 내용은 저장소의 LICENSE 파일을 참고해 주세요.