RAG는 산업용 Agent를 대화 가능에서 작업 가능으로 끌어올리는 핵심 퍼즐 조각이다. 설비 고장, 공정 파라미터, 스케줄링 규칙에 대한 질문에 답할 때 대형 모델이 기억으로 추측하는 대신 기업의 사설 문서, 작업지시, 지식 베이스를 실시간 검색하게 한다.
지난 2년간 대형 모델은 제조업에서 널리 논의되었지만 실제 구축 사례는 많지 않다. 이유는 간단하다. 공장에서 가장 가치 있는 지식은 설비 매뉴얼, SOP 파일, 과거 수리 기록, 숙련 작업자의 머릿속에 숨어 있는 경우가 많고 범용 대형 모델은 여기에 접근할 수 없다. RAG, 즉 검색 증강 생성은 검색과 생성을 결합해 산업용 Agent에 찾아보는 능력을 부여하기 위해 바로 이 문제를 해결하려고 등장했다. 15개 이상 산업, 120개 이상 고객을 지원하면서 우리는 AI를 도입하는 제조업체의 가장 절실한 요구가 모델이 시를 쓰는 것이 아니라 이 사출기의 알람 E-047을 어떻게 처리하는지 정확히 답하는 것임을 발견했다.
I. 핵심 개념과 정의
RAG는 Retrieval-Augmented Generation의 약자다. 간단히 말하면 AI가 질문에 답하기 전에 지정된 지식 베이스에서 관련 자료를 먼저 검색하고 검색된 내용과 질문을 대형 모델에 함께 넘겨 최종 답변을 생성한다. 산업용 Agent는 RAG, 도구 호출, 작업 계획 등의 역량을 하나의 주체로 묶어 설비 진단, 작업지시 파견, 품질 추적성을 자율 완료한다. 둘이 함께 산업용 RAG Agent를 형성하며, 이는 매뉴얼을 확인하고 작업지시를 읽고 파라미터를 조정하고 보고서를 쓰는 디지털 베테랑이다.

II. 기술 원리와 핵심 역량
산업용 Agent에서 RAG의 워크플로는 네 단계로 나눌 수 있다. 첫째는 지식 수집으로 PDF 매뉴얼, Excel 파라미터 표, MES 작업지시, 수리 로그 같은 비정형 데이터를 분할, 벡터화해 벡터 데이터베이스에 저장한다. 둘째는 의도 이해로 Agent가 사용자 질문, 예를 들어 3호기 실장기의 투입 불량률 급증을 분석해 설비, 생산 라인, 이상 유형 같은 핵심 엔티티를 식별한다. 셋째는 하이브리드 검색으로 벡터 유사도뿐 아니라 키워드, 설비 번호, 시간 범위를 필터로 사용해 실제로 관련 있는 조각이 회수되도록 보장한다. 넷째는 생성과 인용으로 대형 모델이 검색 결과를 바탕으로 답변을 정리하고 출처 문서를 표시해 엔지니어가 검증할 수 있게 한다.
세 가지 핵심 역량이 있다. 첫째는 다중 소스 이기종 데이터 접속으로 텍스트, 표, 이미지 OCR, 시계열 데이터를 동시에 처리한다. 둘째는 권한 격리로 역할별로 권한이 있는 지식만 검색할 수 있다. 예를 들어 작업자는 공정 레시피를 볼 수 없다. 셋째는 지속 갱신으로 새 작업지시가 마감되거나 SOP가 개정되면 벡터 스토어가 증분 동기화되어 Agent가 구식 권고를 하지 않게 한다. ZEVON의 전자 표준 작업 절차(ESOP)의 산업 AI와 MES+AI 실무는 RAG 검색 정확도가 10퍼센트 향상될 때마다 현장의 Agent 제안 채택률이 거의 30퍼센트 상승함을 보여준다.
III. 제조업 적용 시나리오

전자 공장의 SMT 라인 교체가 잦고 교체마다 제품별로 스텐실 파라미터, 리플로 온도 프로파일, AOI 검사 기준을 확인해야 한다고 하자. 과거 신입은 십여 개 문서를 넘겨야 했지만 이제 산업용 Agent는 RAG로 교체 SOP, 과거 교체 기록, 실시간 설비 상태를 결합하고 작업자가 오늘 A 모델 교체 시 리플로 구역을 어떻게 설정하는지 자연어로 물으면 Agent가 근거를 붙여 권장값을 제시한다. 자동차 부품 기업의 사출기에 갑작스러운 유압 알람이 발생해 정비원이 Agent에 어떻게 진단하는지 묻는다고 하자. Agent는 설비 매뉴얼, 유사 고장 수리 로그, 예비품 재고를 검색해 진단 단계와 예비품 청구 제안을 준다. 식품 가공 공장에서 품질 검사원이 특정 배치가 수분 한도를 초과함을 발견하면 Agent는 공정 파라미터 기록, 원재료 배치, 베이킹 커브를 검색해 원인이 원재료 문제인지 설비 드리프트인지 판단하도록 돕는다.
IV. 선정 및 구축 권고
첫째, 고가치 시나리오를 정의하라. 처음부터 전 공장 지식 베이스를 구축하지 말고 설비 고장 진단이나 교체 안내처럼 페인 포인트가 명확한 시나리오를 선택해 빠르게 성과를 검증하라. 둘째, 모델 선택보다 지식 거버넌스가 중요하다. 문서에 명확한 버전과 표준 명명이 있어야 하며 그렇지 않으면 검색이 잘못된 내용을 반환해 최강의 Agent도 무용하다. 셋째, 권한과 감사를 중시하라. 산업 지식은 공정 기밀을 포함하므로 RAG 시스템은 세밀한 접근 제어와 검색 로그 추적성을 지원해야 한다. 넷째, 인간-기계 협업을 설계하라. Agent가 제안한 후 특히 안전 파라미터 조정 시 사람 확인 단계를 유지하라. 다섯째, 산업 노하우를 가진 파트너를 선택하라. 범용 RAG 솔루션은 설비 번호 규칙이나 작업지시 흐름 로직을 이해하지 못해 실제로 검색은 되지만 사용할 수 없는 결과가 많다. ZEVON이 MES+AI와 산업용 Agent에서 축적한 산업 템플릿은 기업이 우회로를 피하도록 돕는다.
V. 전망
첫째 방향은 멀티모달 RAG다. 미래의 산업용 Agent는 텍스트만 검색하지 않고 설비 사진을 보고 이상 소음 오디오를 듣고 진동 파형을 읽어 시각과 청각 정보를 검색 범위에 포함한다. 둘째 방향은 Agent 간 협업이다. 설비 진단을 담당하는 Agent가 예비품 재고를 담당하는 Agent를 호출하고 다시 스케줄링을 담당하는 Agent를 호출해 자율 유지보수 스케줄링 네트워크를 형성한다. 셋째 방향은 엣지 RAG다. 낮은 지연을 충족하고 데이터를 공장 내부에 유지하기 위해 벡터 스토어와 경량 모델이 엣지 서버로 내려가 Agent가 작업장에서 로컬로 검색과 추론을 완료한다.
전반적으로 RAG는 만능약이 아니지만 산업용 Agent가 데모에서 생산 라인으로 이동하는 필수 경로다. 기업의 사설 지식 자산을 활성화해 AI 답변에 추적 가능한 근거가 있게 하는 것이 제조업이 실제로 필요로 하는 지능화다. ZEVON은 3,200개 이상 단말을 지원했고 산업 AI와 스마트 제조에 지속 투자하고 있는데, 이는 RAG와 Agent의 결합이 원가 절감, 효율 향상, 품질 보증에서 갖는 장기 가치를 보기 때문이다.