구글 리서치(Google Research)와 구글 클라우드는 복잡한 다단계 비즈니스 질의를 처리하기 위해 설계된 새로운 에이전트 기반 RAG 프레임워크를 Gemini Enterprise Agent Platform에 공개했다. 기존의 표준 검색 증강 생성(RAG) 시스템이 데이터가 여러 데이터베이스에 분산되어 있을 때 불완전한 답변을 내놓는 것과 달리, 이번 방식은 특화된 에이전트가 계획하고 추론하며 충분한 맥락이 확보될 때까지 검색어를 정교화한다. 2026년 6월 5일, 연구원인 사이러스 라슈치안(Cyrus Rashtchian)과 다청 주안(Da-Cheng Juan)은 이 아키텍처가 단순한 검색 엔진을 넘어 조직화된 연구 부서처럼 작동한다고 설명했다.

이 시스템의 워크플로우는 오케스트레이터, 플래너 에이전트, 질의 재작성기, 검색 팬아웃 에이전트 등으로 구성된다. 핵심 기술인 Sufficient Context Agent는 검색된 조각과 답변 초안을 분석해 사용자 질의에 충분한 정보인지 검증하는 품질 관리자 역할을 수행한다. 의료 기록에서 환자의 알레르기 정보가 누락되는 등 데이터 공백이 감지되면, 시스템은 즉시 더 구체적인 매개변수를 설정해 재검증을 수행한다. 이러한 반복적 과정을 통해 최종 합성 에이전트는 근거가 확실한 답변을 생성한다.

824개의 질의와 2,676개의 PDF 문서로 구성된 FramesQA 데이터셋 성능 테스트에서 이 프레임워크는 교차 데이터 환경에서도 높은 정확도를 기록했다. 플래너 에이전트가 4개의 서로 다른 데이터셋 중에서 정보를 선별해야 하는 상황에서도 90.1%의 정확도로 질문에 답했다. 이는 단일 데이터셋 환경의 정확도와 거의 대등한 수준이며, 지연 시간 또한 기존 대비 3% 이내의 변화에 그쳤다. 현재 이 프레임워크는 엔터프라이즈 사용자를 위한 공개 프리뷰로 제공되며, 기존 RAG 아키텍처 대비 사실 기반 작업 정확도를 최대 34%까지 높일 수 있다.

구글 리서치(Google Research)와 구글 클라우드는 복잡한 다단계 비즈니스 질의를 처리하기 위해 설계된 새로운 에이전트 기반 RAG 프레임워크를 Gemini Enterprise Agent Platform에 공개했다. 기존의 표준 검색 증강 생성(RAG) 시스템이 데이터가 여러 데이터베이스에 분산되어 있을 때 불완전한 답변을 내놓는 것과 달리, 이번 방식은 특화된 에이전트가 계획하고 추론하며 충분한 맥락이 확보될 때까지 검색어를 정교화한다. 2026년 6월 5일, 연구원인 사이러스 라슈치안(Cyrus Rashtchian)과 다청 주안(Da-Cheng Juan)은 이 아키텍처가 단순한 검색 엔진을 넘어 조직화된 연구 부서처럼 작동한다고 설명했다.

이 시스템의 워크플로우는 오케스트레이터, 플래너 에이전트, 질의 재작성기, 검색 팬아웃 에이전트 등으로 구성된다. 핵심 기술인 Sufficient Context Agent는 검색된 조각과 답변 초안을 분석해 사용자 질의에 충분한 정보인지 검증하는 품질 관리자 역할을 수행한다. 의료 기록에서 환자의 알레르기 정보가 누락되는 등 데이터 공백이 감지되면, 시스템은 즉시 더 구체적인 매개변수를 설정해 재검증을 수행한다. 이러한 반복적 과정을 통해 최종 합성 에이전트는 근거가 확실한 답변을 생성한다.

824개의 질의와 2,676개의 PDF 문서로 구성된 FramesQA 데이터셋 성능 테스트에서 이 프레임워크는 교차 데이터 환경에서도 높은 정확도를 기록했다. 플래너 에이전트가 4개의 서로 다른 데이터셋 중에서 정보를 선별해야 하는 상황에서도 90.1%의 정확도로 질문에 답했다. 이는 단일 데이터셋 환경의 정확도와 거의 대등한 수준이며, 지연 시간 또한 기존 대비 3% 이내의 변화에 그쳤다. 현재 이 프레임워크는 엔터프라이즈 사용자를 위한 공개 프리뷰로 제공되며, 기존 RAG 아키텍처 대비 사실 기반 작업 정확도를 최대 34%까지 높일 수 있다.