What is agentic search (and why cached results aren't enough)

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 요약

에이전틱 검색은 LLM 에이전트가 추론 중 실시간 웹을 검색하고 결과에 따라 탐색을 조정하는 방식으로, 변동하는 외부 정보를 다루며 안정적인 내부 자료용 RAG와 상호 보완한다.

📌 핵심 요약

• 에이전틱 검색에서는 에이전트가 검색 시점과 질의를 결정하고 실제 페이지 내용을 평가한 뒤, 답변을 종합하거나 다시 검색하며 충분한 근거를 얻거나 답을 찾을 수 없다고 판단할 때까지 반복한다.
• 원문은 캐시된 검색 결과가 마지막 수집 이후의 변경을 반영하지 못하며, 오래된 프레임워크 문서에 의존하는 코딩 에이전트가 폐기된 API와 보안 취약점을 포함한 구현을 이어갈 수 있다고 경고한다.
• 실시간 웹 검색의 주요 이점은 질의 시점의 최신 정보, 사전 수집 범위를 넘어선 공개 웹 탐색, 검색 결과를 다음 질의에 반영하는 추론이며, 경쟁사 가격 조사·의존성 및 보안 모니터링·최신 논문 조사·지역별 업체 탐색에 활용된다.
• RAG와 Agentic RAG는 사전 구축된 문서 집합을 검색한다. 원문은 내부 문서·독점 데이터·안정적인 참고 자료에는 RAG를, 실시간 신호와 통제하지 못하는 외부 콘텐츠에는 에이전틱 검색을 사용하고 질의 분류 단계에서 경로를 선택하는 구성을 권한다.
• Firecrawl의 /search는 검색 결과와 페이지 본문을 한 번의 호출로 제공하며, 원문은 마크다운 추출, 시간·범주 필터링, 위치 지정 기능을 소개한다. 예제는 limit=5와 최근 일주일을 지정하는 tbs="qdr:w"를 보여주며, CLI는 Claude Code·Antigravity·OpenCode에 실시간 웹 접근을 설치하는 명령을 제시한다.

🧩 주요 포인트

1. 마지막 수집 시점에 묶인 캐시 → 가격·보안·API 문서처럼 자주 변하는 정보에서는 최신성 부족이 에이전트의 판단과 실행 오류로 이어질 수 있다.
2. 검색 결과 평가와 질의 재구성 → 에이전틱 검색의 핵심은 추론 중 발견한 근거로 다음 탐색과 종료 여부를 조정하는 데 있다.
3. 내부 자료와 외부 실시간 정보의 차이 → RAG와 에이전틱 검색을 질의 분류로 연결하고, Firecrawl의 본문 추출과 시간 필터를 해당 검색 요구에 맞춰 활용할 수 있다.

🧠 상세 정리

1. 캐시된 정보의 한계와 에이전틱 검색의 출발점

Ninad Pathak의 글은 캐시된 색인만 검색하는 AI 에이전트를 지난해 신문만 읽는 연구자에 비유하며 문제를 제기한다. 특정 시점까지 확보한 정보에 의존하면 이후 바뀐 경쟁사 가격, 새로운 보안 릴리스, 규정 준수 요구사항을 알 수 없다는 설명이다. 에이전틱 검색은 이러한 공백을 줄이기 위해 색인을 만드는 시점이 아니라 에이전트가 추론하는 시점에 웹을 조회하고 현재 페이지의 내용을 읽는다. 원문은 내부 문서, 제품 사양, 지원 문서처럼 안정적인 콘텐츠에는 사전 색인된 벡터 저장소를 사용할 수 있다고 인정한다. 반면 공개 웹 콘텐츠, 실시간 신호, 업데이트 주기를 통제하거나 예측하기 어려운 자료에는 에이전틱 검색이 적합하다는 구분을 제시한다.

2. 검색 결과가 다음 검색을 바꾸는 작동 방식

에이전틱 검색에서 에이전트는 미리 정해진 URL 목록을 순서대로 방문하는 대신, 언제 검색할지 결정하고 현재 맥락에서 질의를 만든다. 이어 각 검색 결과의 실제 페이지를 읽고 내용을 평가하여 답변을 종합할지 추가 검색할지 판단하며, 검색 호출은 API 호출이나 코드 실행처럼 추론 도중 수행하는 행동이 된다. 원문은 'langchain memory module' 검색에서 폐기된 API 문서가 나오면 'langchain memory alternatives 2026'으로 질의를 수정하는 예를 든다. 이 반복은 답변에 충분한 자료를 얻거나 답을 찾을 수 없다고 판단할 때까지 이어지며, 사람이 매번 불일치를 발견하고 방향을 바꿀 필요가 없다는 점을 강조한다. Anthropic의 Claude Research는 선도 에이전트가 질의를 분석하고 병렬 검색 하위 에이전트들의 결과를 종합하는 사례로 소개된다.

3. 오래된 검색 결과가 실행 오류로 이어지는 경로

원문은 캐시의 최신성 문제를 단순히 답변 내용이 오래되는 현상에 그치지 않고, 에이전트의 결정과 행동에 영향을 주는 문제로 설명한다. 예를 들어 코딩 에이전트가 오래된 프레임워크 문서를 읽으면 세 버전 전에 폐기된 메서드를 확신을 갖고 추천할 수 있다고 제시한다. 에이전트가 사용할 도구까지 구현하도록 맡긴 경우에는 오래된 버전에 기반한 코드가 만들어져 서버가 보안 취약점에 노출될 수 있다는 경고가 이어진다. 이를 제때 발견하지 못하면 에이전트가 기존 학습 정보에 계속 의존하면서 추가로 낡은 코드베이스를 만들고 보안 문제의 범위를 넓힐 수 있다는 논리다. 이는 원문이 제시한 위험 시나리오이며, 특정 장애의 실측 결과나 발생 확률을 제공하는 내용은 아니다.

4. 최신성·탐색 범위·추론 중 근거 반영

실시간 웹 검색의 첫 번째 이점은 에이전트가 질의하는 시점에 존재하는 페이지 내용을 읽는다는 것이다. 원문은 가격, 보안 권고, API 문서처럼 변화 주기가 짧은 정보에서 별도의 벡터 저장소 갱신 장치를 설계하지 않고 최신성을 보장하는 방법으로 실시간 검색을 제시한다. 두 번째 이점은 사전에 누군가 수집 대상으로 골라 넣은 자료만 반환하는 벡터 저장소의 범위를 넘어, 공개적으로 접근할 수 있는 새로운 페이지를 발견하는 것이다. 세 번째 이점은 검색이 전처리로 끝나지 않고 추론 내부에서 진행되어 첫 번째 결과에서 발견한 사실이 두 번째 질의의 전제가 된다는 점이다. 따라서 에이전트는 필요한 정보를 모두 알기 전에 검색 전략을 고정하지 않고, 탐색하며 얻은 근거에 따라 다음에 무엇을 확인해야 하는지 결정한다.

5. 실시간 웹 접근이 필요한 네 가지 활용 사례

경쟁 정보 조사에서는 영업 에이전트가 경쟁사와의 가격 비교 질문을 받았을 때 해당 기업의 현재 가격 페이지를 조회하고 본문을 가져와 답변할 수 있다. 의존성과 보안 모니터링에서는 'CVE langchain 2026'을 검색하고 최신 NVD 항목을 읽어 다음 조치를 판단하는 예를 들며, GitHub Issues, PyPI 변경 기록, npm 릴리스 노트에도 같은 접근을 적용할 수 있다고 설명한다. 학술 조사에서는 arXiv의 실시간 검색을 이용해 마지막 임베딩 작업 당시의 문헌 집합을 넘어 최신 논문을 읽는 것이 중요하다고 주장한다. 지역별 탐색에서는 동남아시아 SaaS 공급업체를 찾는 사업 개발 에이전트가 location="Singapore"를 전달해 해당 시장을 기준으로 지역 순위가 반영된 결과를 얻는 예를 제시한다. 이 사례들은 정보의 시간적 변화, 공개 웹의 탐색 범위, 지역 맥락이 검색 결과의 유용성을 좌우한다는 공통점을 보여준다.

6. RAG와 Agentic RAG가 공유하는 데이터 경계

원문은 RAG와 에이전틱 검색이 서로 다른 데이터 계층에 적합하며 둘 다 가치가 있다고 설명한다. Lewis 등의 Facebook AI Research 연구가 발표된 2020년의 RAG를 소개하면서, 사전 구축한 색인에서 벡터 유사도로 관련 청크를 검색해 생성 모델의 맥락으로 제공하는 방식으로 정리한다. 공개 웹 콘텐츠에도 RAG를 적용할 수 있지만, 수집 파이프라인을 운영하고 데이터를 갱신하며 필요하면 정기적인 웹 수집과 적절한 청크 분할까지 관리해야 한다는 부담을 짚는다. Agentic RAG는 질의 재구성, 결과 품질 평가, 여러 차례의 검색을 더하지만 여전히 수집 시점에 색인된 문서 집합 안에서 동작한다. 반면 원문이 설명하는 에이전틱 검색은 에이전트가 미리 구축한 문서 색인에 한정되지 않고 검색 API와 결과 URL의 현재 본문을 이용하므로, 이전에 접하지 못한 문서도 발견할 수 있다.

7. 데이터 특성에 따라 두 검색 경로를 결합

원문이 권하는 운영 구성은 모든 정보를 하나의 검색 방식으로 처리하기보다 자료의 특성과 갱신 통제 여부에 따라 경로를 나누는 것이다. 내부 문서, 지원 문서, 독점 데이터, 안정적인 참고 콘텐츠에는 벡터 저장소를 통한 RAG를 사용하고, 실시간 신호, 경쟁사 페이지, 공개 웹 조사, 직접 통제하지 못하는 콘텐츠에는 에이전틱 검색을 배치한다. 이러한 선택은 보통 검색 호출 전에 빠르게 의도를 확인하는 질의 분류 계층에서 이루어진다고 설명한다. 비교의 핵심은 수집 시점의 스냅샷과 질의 시점의 페이지 상태, 미리 정해진 문서 집합과 개방형 웹 탐색, 청크 단위 정보와 페이지 본문이라는 차이다. 따라서 추론을 반복하는 기능 자체만으로 데이터 최신성 문제가 해결되는 것은 아니며, 실제로 어떤 데이터 경로에서 근거를 가져오는지가 함께 중요해진다.

8. Firecrawl의 본문 통합 검색과 시간 필터 예제

Firecrawl은 웹에서 출처를 찾고 페이지 내용을 추출해 에이전트가 바로 사용할 수 있는 마크다운으로 반환하는 과정을 한 번의 호출로 제공한다고 소개된다. Python 예제는 'langchain v0.3 breaking changes'를 limit=5와 마크다운 추출 옵션으로 검색하며, 응답에는 URL, 제목, 설명, 본문이 함께 포함된다. 원문은 별도 스크래핑 단계 없이 다섯 페이지의 본문을 얻는다고 설명하지만, 제시된 응답 배열에는 세 항목만 표시되어 있다. 이어 'pydantic v2 deprecations 2026' 검색에 tbs="qdr:w"를 넣어 최근 일주일로 결과를 제한하는 예제를 제시한다. 도입부에는 범주 필터링과 위치 지정, 그리고 Claude Code·Antigravity·OpenCode에 웹 접근을 설치하는 'npx -y firecrawl-cli@latest init --all --browser' 명령도 소개된다. 다만 제공된 본문은 시간 필터 예제의 응답 도중 끊겨 있어 이후의 설명이나 검색 API 선택 기준은 확인할 수 없다.

🧾 핵심 주장 / 시사점

• 에이전트가 검색을 반복하고 결과를 평가하더라도 검색 대상이 사전 색인된 자료라면 최신성의 한계는 남는다. 추론 방식과 데이터 갱신 방식은 함께 구분해야 한다.
• 실시간 검색의 가치는 새로운 정보를 얻는 데 더해, 발견한 근거가 다음 질의와 탐색 종료 판단을 바꿀 수 있다는 데 있다.
• RAG와 에이전틱 검색의 결합에서는 자료의 안정성, 업데이트 통제 여부, 공개 웹 탐색 필요성이 검색 경로를 정하는 핵심 기준이 된다.

✅ 액션 아이템

• 내부 문서·독점 데이터·안정적인 참고 자료와 실시간 신호·외부 콘텐츠를 구분해 RAG와 에이전틱 검색의 적용 경로를 검토한다.
• 가격·보안·API 문서에 의존하는 에이전트에서 마지막 수집 시점 이후의 변경 누락이 판단과 실행에 미치는 영향을 확인한다.
• Firecrawl의 /search 본문 추출과 tbs="qdr:w"가 필요한 최신 정보 범위에 부합하는지 검토한다.

❓ 열린 질문

• RAG와 에이전틱 검색의 경로를 선택하는 질의 분류에서 내부 자료와 외부 실시간 정보가 함께 필요한 질문은 어떻게 처리할 것인가?
• 에이전틱 검색에서 충분한 근거를 확보했거나 답을 찾을 수 없다고 판단하는 종료 기준은 무엇인가?
• 가격·보안·API 문서의 변화 주기를 고려할 때 tbs="qdr:w"의 최근 일주일 범위가 필요한 정보를 충분히 포괄하는가?