AI 브리핑
기업과 기술의 중요한 변화를 계속 쌓아드려요
기술·시장 테마
RAG
2026.11.13 업데이트 · 사건 63건
지금의 흐름
11월 중순 현재 Amazon Bedrock Managed Knowledge Base가 AgenticRetrieveStream, AgentCore Gateway MCP 도구 기반 접근 제어, 마이그레이션 가이드로 확장되며 기업 RAG의 중심 축으로 자리 잡고 있고, ParseBench의 v2.0.0 재채점과 Gemini 4 Hydrogen 요금 공개로 문서 파싱 평가와 모델 비용 산정도 함께 갱신되고 있어요.
핵심 변화
- 1직접 운영하던 벡터 스토어를 관리형 지식 베이스와 에이전트형 검색으로 넘기는 운영 책임의 이동
- 2질의 시점 ACL 검증과 JWT 기반 userContext 덮어쓰기로 요구 수준이 높아진 문서 단위 권한 통제
- 3표·차트·레이아웃까지 넓어진 ParseBench 평가와 오픈 임베딩 모델 확대로 세분화되는 RAG 입력·검색 품질 비교
변화 타임라인
Google Gemini API, Gemini 4 Hydrogen 요금 공개… 입력 100만 토큰당 $1.50·출력 $7.50
Google Gemini API 공식 가격 문서에 'Gemini 4 Hydrogen' 모델(gemini-4-hydrogen)의 요금이 추가됐다. 표준 요금은 유료 기준 입력 100만 토큰당 $1.50, 출력(생각 토큰 포함) $7.50이다. 배치와 Flex는 입력 $0.75, 출력 $3.75다. 컨텍스트 캐싱은 암묵적 캐싱만 지원하고 명시적 캐싱은 지원하지 않으며, 구글 검색·지도 그라운딩은 월 5,000건 무료 후 1,000건당 $14가 부과된다. 이 모델은 1M 토큰 컨텍스트 윈도와 최대 1M 토큰의 긴 생성을 지원하는 것으로 설명된다.
왜 중요한가요? Gemini API를 쓰는 개발자와 기업은 새 모델의 토큰 비용, 배치·Flex 할인, 캐싱 방식, 그라운딩 과금 조건을 반영해 비용 산정과 모델 라우팅 전략을 다시 점검해야 한다.
AWS, Agent Toolkit amazon-bedrock 스킬에 Bedrock Managed Knowledge Base 마이그레이션 가이드 추가
AWS가 Agent Toolkit for AWS의 amazon-bedrock 스킬에 고객 관리형 지식 베이스를 Amazon Bedrock Managed Knowledge Base로 옮기는 마이그레이션 가이드를 추가했다. 코딩 에이전트가 읽기 전용 탐색과 계획 수립을 거쳐 사용자의 승인 후 새 지식 베이스와 데이터 소스를 만들거나 IaC 템플릿을 작성한다. 데이터 수집과 Retrieve 호출 수정, 검증은 사용자가 진행한다. Managed Knowledge Base는 하이브리드 검색, 관리형 리랭커, ACL 인식, 네이티브 커넥터, 에이전틱 검색을 제공하며 AWS가 수집·저장·인덱싱·검색을 운영한다.
왜 중요한가요? 벡터 스토어와 임베딩, 인덱스를 직접 운영하던 Bedrock RAG 사용자가 코딩 에이전트의 도움으로 관리형 구조로 옮길 수 있게 되어 운영 부담이 줄고 검색 기능 활용 폭이 넓어진다. 기존 11월 10일 AgenticRetrieveStream 업데이트와는 별개의 마이그레이션 지원 변경이다.
AWS, Bedrock Managed Knowledge Base MCP 도구에 AgentCore Gateway 기반 세분화 접근 제어 방식 공개
AWS가 Amazon Bedrock Managed Knowledge Base를 AgentCore Gateway의 MCP 도구로 노출할 때 LLM이 userContext 값을 임의로 정하지 못하게 하는 접근 제어 설계를 공개했다. 게이트웨이 요청 인터셉터가 검증된 JWT의 이메일로 userContext를 덮어쓰고, Cedar 정책과 리소스 기반 정책이 이를 추가로 검증한다. 이를 통해 하나의 에이전트와 지식베이스를 공유하면서도 사용자는 자신에게 권한이 있는 문서만 검색할 수 있다.
왜 중요한가요? MCP 도구로 지식베이스를 연결한 멀티테넌트 기업용 에이전트에서 프롬프트 인젝션이나 LLM 오류로 다른 사용자의 문서가 노출되는 위험을 줄일 수 있다. 에이전트 기반 RAG의 문서 단위 권한 통제에 쓸 수 있는 구체적인 구현 패턴이다.
run-llama/ParseBench v2.0.0 릴리스: 리더보드 전체 재채점·확장 스코어러·ParseBench 2 데이터셋 옵션 추가
run-llama/ParseBench v2.0.0에서 리더보드 후보 전체를 다시 채점하고 회귀 추적과 크론 작업을 추가했다. 텍스트, 서식, 표, 차트, 레이아웃, 폼용 확장 스코어러와 `--dataset parsebench-2` 옵션이 포함됐다. Reducto r-1-mini와 KDL-Frontier-Parser-nano-v2 파이프라인이 새로 들어갔고, LlamaParse 계열 결과도 갱신됐다. 표 값 불일치 시 채점이 중단되던 문제도 수정했다.
왜 중요한가요? 문서 파싱 벤치마크가 표·차트·레이아웃·폼까지 평가 범위를 넓혀, RAG 입력 단계인 문서 파싱 품질을 더 세밀하게 비교할 수 있다. 회귀 추적과 재채점 자동화로 리더보드의 신뢰성도 높아진다.
Amazon Bedrock Managed Knowledge Base, AgenticRetrieveStream에서 단일 검색 RAG·검색 전용 모드 지원
Amazon Bedrock Managed Knowledge Base의 AgenticRetrieveStream API가 maxAgentIteration 값을 0~5로 설정할 수 있게 되었습니다. 0은 답변 생성 없이 일치하는 구절만 반환하는 검색 전용, 1은 한 번 검색한 뒤 파운데이션 모델로 답변을 생성하는 단일 검색 RAG, 2~5는 서비스가 여러 번 계획하고 검색하는 에이전틱 검색입니다. 요청마다 모드를 고를 수 있어 하나의 API로 단순 조회와 복합 질문을 모두 처리할 수 있습니다.
왜 중요한가요? 단순 질문에는 모델 호출과 지연 시간을 줄이고 복잡한 질문에는 에이전틱 검색을 쓸 수 있습니다. 개발자는 단순 질문용과 복합 질문용 시스템을 따로 만들지 않아도 요청별로 검색 비용과 깊이를 조절할 수 있습니다.
유진그룹, Amazon Neptune·Bedrock으로 유진홈센터 건자재 유통 데이터를 지식 그래프로 전환하는 PoC 수행
유진그룹 AI CoE가 메가존클라우드, AWS와 함께 유진홈센터의 관계형 DB 운영 데이터를 Amazon Neptune 기반 지식 그래프(LPG 모델, openCypher)로 전환하는 PoC를 수행했다. R2G·GRAD 방법론과 GoodRelations, schema.org, GS1 표준 온톨로지를 결합했다. Amazon Bedrock의 Claude Sonnet 4.5가 자연어 질문을 openCypher 쿼리로 변환하고 근거 경로와 함께 답을 요약하며, 7개의 업무 질문(CQ)을 검증 대상으로 삼았다.
왜 중요한가요? 현장 관용어와 표준 상품명의 불일치, 시스템 간 데이터 분절 같은 유통 도메인의 문제를 온톨로지와 그래프 검색으로 푸는 구체적 사례다. 그룹 차원의 AI 전환(AX)을 위한 공통 데이터 체계의 실현 가능성을 검증했고, 유사 도메인에서 Graph RAG를 도입하려는 기업에 참고가 된다.
AWS, Crawl4AI로 Bedrock Knowledge Bases용 웹 콘텐츠를 사전 가공하는 워크플로우 공개
AWS가 Amazon Bedrock Knowledge Bases에 웹 콘텐츠를 수집하는 방법을 구분해 소개했다. 기본 Web Crawler 커넥터로 충분하면 그것을 쓰고, 본문 영역만 추출하거나 보일러플레이트를 제거하거나 맞춤 메타데이터를 붙여야 하면 오픈소스 Crawl4AI 경로를 쓰도록 안내한다. Crawl4AI 경로는 페이지별 Markdown과 메타데이터 파일을 Amazon S3에 올리고, 지식 베이스가 S3 데이터 소스로 수집한다. EventBridge, Fargate, S3 기반 샘플 워크플로우와 aws-samples 저장소도 함께 제공된다.
왜 중요한가요? RAG 답변 품질은 수집 데이터의 품질에 좌우된다. 웹 문서의 노이즈를 줄이고 메타데이터 필터링을 가능하게 하는 구체적인 구현 경로를 제시해, Bedrock 기반 RAG를 구축하는 개발자가 바로 적용할 수 있다.
AWS, Bedrock AgentCore·Nova Multimodal Embeddings로 항공우주 부품 대체 평가 멀티 에이전트 어시스턴트 구축 방법 공개
AWS가 Amazon Bedrock AgentCore, Amazon Nova Multimodal Embeddings, Strands Agents SDK를 결합해 항공우주 부품 대체 평가용 멀티 에이전트 엔지니어링 어시스턴트를 구축하는 방법을 공개했다. 플래너가 카탈로그·평가·지식 전문 에이전트로 질의를 라우팅하고, 감독자가 결과를 종합한다. 허용오차 규칙 기반의 결정적 평가, 멀티모달 지식베이스 검색, 부품 사진 유사도 비교, 웹 데이터 기반 수명주기 근거 확인으로 증거를 구성한다. 시스템은 정당화 메모와 영향 평가 문서 초안만 작성하며 대체 승인은 엔지니어가 내리고, 각 평가는 AS9100 8.4·8.5.6에 맞춘 감사 추적 기록을 남긴다.
왜 중요한가요? 멀티모달 검색과 에이전트 오케스트레이션을 결정적 규칙 평가 및 사람 승인 구조와 결합한 구체적 참조 구현으로, 항공우주처럼 추적성이 중요한 규제 산업에서 에이전트형 AI를 적용하는 방식을 보여준다.
run-llama/ParseBench v1.0.6 릴리스: 텍스트 점수 v2.1 옵션과 다수 문서 파싱·OCR 제공자 및 리더보드 결과 추가
ParseBench v1.0.6에서 기존 벤치마크를 유지하면서 선택적으로 쓸 수 있는 v2.1 텍스트 점수 방식이 추가됐다. DeepSeek, Jina-OCR, Cohere Parse v5, Nutrient DWS, DocAI 등 여러 문서 파싱·OCR 제공자와 LLM 파이프라인, 리더보드 결과가 대거 추가됐다. 또한 LaTeX 정규화, 회전된 레이아웃 기하 정보, 레이아웃·시각적 근거(grounding) 평가, 체크박스 처리 관련 평가 오류가 수정됐고 Claude 파싱 비용 산정과 캐시 읽기 토큰 보고도 개선됐다.
왜 중요한가요? 문서 파싱, 레이아웃 분석, 표·수식 추출, grounding 평가는 RAG 파이프라인 품질을 좌우하는 핵심 요소다. 이번 릴리스로 다양한 파서와 LLM을 더 정확하고 폭넓게 비교할 수 있게 되어 문서 인텔리전스 도구 선택에 도움이 된다.
카카오, 임베딩 모델 '카나나-2-embedding' 2종 허깅페이스 오픈소스 공개
카카오가 30억 파라미터의 '카나나-2-3b-embedding'과 13억 파라미터의 '카나나-2-1.3b-embedding'을 허깅페이스에 오픈소스로 공개했다. 한국어 성능은 유사 규모의 llama-nemotron-embed-1b-v2, Qwen3-Embedding-4B보다 가장 높았고 영어 성능은 비슷했으며, 추론 효율은 Qwen3-Embedding보다 높다고 밝혔다. 임베딩 벡터 크기를 조절하는 MRL 기술을 적용했고, 조건을 충족하면 상업적 이용이 가능한 카나나 오픈 라이선스가 적용됐다.
왜 중요한가요? 한국어에 강점을 가진 임베딩 모델이 상업 이용 가능한 라이선스로 공개되어, 의미 기반 검색과 RAG, 개인화 AI 에이전트 개발에 쓸 수 있는 선택지가 늘어난다. MRL로 벡터 크기를 조절할 수 있어 검색 성능과 저장 공간·처리 속도의 균형도 맞출 수 있다.
AWS, Bedrock Managed Knowledge Base 기반 에이전트형 검색을 CDK로 배포하는 방법 공개
AWS 공식 블로그가 Amazon Bedrock의 Managed Knowledge Base(Type: MANAGED) 위에 에이전트형 검색을 AWS CDK(Python) 애플리케이션 하나로 배포하는 방법을 소개했다. 에이전트는 AgentCore Gateway(MCP 도구)를 통해 두 지식 베이스 중 적절한 곳을 골라 검색하고, AgenticRetrieveStream API로 출처가 달린 답변을 생성한다. 기존 OpenSearch Serverless 컬렉션·인덱스 없이 구성할 수 있으며, 에이전트형 검색은 Managed Knowledge Base에서만 제공된다. CloudWatch 대시보드 2종과 온디맨드·지속 평가로 에이전트 동작을 관찰하는 구성도 함께 제공한다.
왜 중요한가요? 단일 검색 후 생성하는 기존 RAG는 여러 코퍼스에 걸친 질문이나 추가 검색이 필요한 질문에 취약하다. 이 구성은 에이전트가 검색 여부와 대상을 판단하는 구조를 관리형 서비스와 코드형 인프라로 재현 가능하게 하고, OpenSearch 운영·비용 부담을 줄이며, 관측·평가 체계도 함께 제시해 기업 RAG 구축에 실질적 도움이 된다.
DynamoDB 벡터 인덱스 테이블당 최대 개수 5개에서 최대 20개까지 조정 가능으로 변경
AWS DynamoDB 벡터 검색 공식 문서의 인덱스 비교표에서 벡터 인덱스의 테이블당 최대 개수가 기존 5개에서 '5개(최대 20개까지 조정 가능)'로 바뀌었습니다. 같은 표에는 벡터 인덱스가 유사도 검색용 SearchVectors API를 쓰고, 온디맨드 용량 모드만 지원한다는 내용도 있습니다.
왜 중요한가요? DynamoDB의 네이티브 벡터 검색에서 테이블당 만들 수 있는 벡터 인덱스 한도가 늘어날 수 있어, 한 테이블에 여러 임베딩 속성이나 검색 구성을 두는 RAG 설계의 제약이 줄어듭니다.
IskayPet, Amazon Bedrock Managed Knowledge Bases로 4개 언어 사내 지식 어시스턴트 구축
스페인·포르투갈·프랑스에서 330개 이상 매장을 운영하는 IskayPet이 Amazon Bedrock Managed Knowledge Bases로 사내 지식 어시스턴트를 구축했습니다. SharePoint 문서를 네이티브 커넥터로 연동하고, 하이브리드 검색(시맨틱+BM25), 리랭킹, 문서 단위 접근 제어, 출처 인용을 적용했습니다. 소매, 수의 진료, 인사·온보딩, 구매 분야의 직원 질문에 4개 언어로 답하며, 벡터DB나 임베딩 파이프라인을 직접 운영하지 않는 구조입니다. 프런트엔드와 AWS 아키텍처 구축에는 Kiro와 Claude Haiku 4.5를 활용했습니다.
왜 중요한가요? 관리형 RAG로 인프라 운영 부담 없이 기존 SharePoint 문서를 활용해 다국어 사내 지식 검색을 운영한 실제 도입 사례입니다. 유사한 기업 문서 환경에서 재현할 수 있는 구성 참고가 됩니다.
Qdrant v1.20.0, 풀텍스트 인덱스 BM25 스코어링과 TurboQuant 벡터 타입 추가
Qdrant v1.20.0은 풀텍스트 페이로드 인덱스에서 직접 BM25 스코어링을 지원하고, 새 벡터 데이터 타입 turbo8·turbo16(TurboQuant)을 추가했다. 중첩 객체 배열용 per-element 페이로드 인덱스, 풀텍스트 인덱스용 code 토크나이저, 부분 문자열 필터, 감사 로그 출력 설정, 컬렉션 생성 시각 기록도 포함됐다. HNSW 빌드·복구, 양자화 검색, 스냅샷·샤드 전송 성능이 개선됐고 여러 버그가 수정됐다. api-key 설정 시 내부 인증이 기본 강제되는 보안 변경도 있다.
왜 중요한가요? 벡터DB에서 BM25 기반 텍스트 검색과 신규 양자화 벡터 타입을 직접 쓸 수 있어 하이브리드 검색과 RAG 시스템의 검색 품질, 비용, 성능 선택지가 넓어진다.
NVIDIA, Agent Toolkit 확장… 기업 데이터를 에이전트에 연결하는 Agent Knowledge Foundation 공개
NVIDIA가 오픈소스 Agent Toolkit을 확장해 Agent Knowledge Foundation을 공개했다. cuDF·cuGraph·cuML·cuOpt·cuVS 등 CUDA-X 라이브러리, 원천 데이터를 고객·제품·주문 같은 비즈니스 개념으로 변환하고 관계를 매핑하는 Auto-Ontology 라이브러리, Nemotron Retriever, Kumo Structured 모델군(Tabular, Relational, Time Series, Forecast)이 포함된다. 보안 에이전트 런타임 OpenShell과 보안 블루프린트 NemoClaw도 툴킷 구성에 들어간다. 기업은 데이터를 옮기거나 기존 워크플로·거버넌스를 바꾸지 않고 사용할 수 있다. Palantir, Databricks, Snowflake가 도입했고, Amazon OpenSearch, SAP, ServiceNow, Zoom은 Nemotron Retriever로 검색·리랭킹 성능을 개선했다고 밝혔다.
왜 중요한가요? 온톨로지 생성, 검색·리랭킹, 그래프·벡터 연산을 한 스택으로 묶어 기업 에이전트가 사내 데이터에 근거해 답하고 행동하는 기반을 제공한다. 주요 데이터·엔터프라이즈 플랫폼의 도입이 확인되어 기업용 RAG와 에이전트 구축 방식에 실질적인 영향을 줄 수 있다.
롯데백화점, Amazon Bedrock 기반 파트너 제안 AI 에이전트 'AI 비즈센터' 구축
롯데백화점이 Amazon Bedrock 기반으로 입점·제휴 파트너사를 위한 AI 에이전트 서비스 'AI 비즈센터'를 구축했습니다. 챗봇, 제안서 작성 지원, 담당 부서 자동 매칭, 파일·링크 분석 기능을 제공하며 Claude Haiku 4.5와 OpenSearch 기반 RAG를 활용합니다. 오픈 후 2개월간 제안서 접수 건수는 전년 동기 대비 160% 늘었고, 접수 고객의 약 25%가 AI 제안서 작성 기능을 사용했습니다.
왜 중요한가요? 유통 기업이 생성형 AI를 고객 접점을 넘어 파트너 입점·제휴 업무 프로세스까지 확장해 실제 접수 건수 증가라는 성과를 확인한 AX 사례입니다. 분산된 문서와 정책 정보를 RAG로 연결한 구현 방식도 참고할 만합니다.
Postman, Amazon Bedrock 기반 Agent Mode를 개발자 4천만 명 대상으로 운영하며 도구 선택·승인·보안 구조 공개
Postman과 AWS가 Amazon Bedrock 위에서 운영 중인 Agent Mode의 프로덕션 아키텍처를 공개했다. 도구가 약 40개를 넘으면 선택 오류가 늘어나, 170개 이상의 도구를 도구 임베딩 벡터DB로 약 15개까지 좁혀 컨텍스트가 분리된 서브 에이전트에 넘긴다. 상태를 변경하는 작업에는 사용자 승인을 받고, Bedrock Guardrails로 개인정보를 가리며, 지역 범위 교차 리전 추론과 다단계 프롬프트 캐싱도 활용한다.
왜 중요한가요? 대규모 사용자를 대상으로 한 프로덕션 에이전트에서 도구 난립 제어, 승인 절차, 개인정보 보호, 비용·지연 최적화를 실제로 어떻게 구현했는지 보여 주는 구체적 사례여서 에이전트 구축 팀에 참고가 된다.
AWS, Amazon Quick·Bedrock Knowledge Bases에 RAG용 실시간 ACL 검증 적용
AWS는 Amazon Quick과 Amazon Bedrock Knowledge Bases의 RAG 접근 제어에 질의 시점 실시간 ACL 검증을 적용했다고 공개했다. 1단계에서는 인덱스에 저장된 ACL로 사전 필터링을 하고, 2단계에서는 Google Drive 같은 원본 소스 API로 사용자 권한을 다시 확인한다. 이 검증을 통과한 문서만 LLM 컨텍스트로 전달한다. 기존의 복제 후 필터링 방식은 원본 권한과의 불일치나 동기화 주기 사이의 오래된 권한 문제가 있었다.
왜 중요한가요? 기업 RAG에서 권한이 없는 문서가 AI 답변에 노출될 위험을 줄일 수 있다. 권한 회수가 즉시 반영되지 않는 문제도 줄이므로 SharePoint, Google Drive, Confluence 등 여러 지식 소스를 쓰는 기업의 보안 설계에 영향을 준다.
Google DeepMind, Gemma 4 기반 오픈 멀티모달 임베딩 모델 EmbeddingGemma 2 공개
Google DeepMind가 Gemma 4 아키텍처 기반의 오픈 멀티모달 임베딩 모델 EmbeddingGemma 2를 공개했다. 텍스트, 코드, 이미지, 영상, 오디오를 768차원 단일 벡터 공간에 임베딩하며 전체 740M 파라미터, 8K 토큰 컨텍스트, Apache 2.0 라이선스를 제공한다. 텍스트 전용 270M부터 비전·오디오 인코더를 더한 740M까지 선택할 수 있고, 모든 구성이 같은 벡터 공간을 공유한다. MTEB Code v1 78.68(1세대 68.76)을 보고했다. 가중치는 Hugging Face와 Kaggle에 공개되었고 Ollama, llama.cpp GGUF, LiteRT 빌드도 바로 쓸 수 있다.
왜 중요한가요? 온디바이스 검색과 프라이버시 중심 RAG에 쓸 수 있는 가벼운 오픈 멀티모달 임베딩 모델이 나와, 텍스트 질의로 이미지·영상·오디오를 검색하는 멀티모달 RAG 구축 부담이 줄어든다.
비드래프트, '허깅페이스' 공인 1위 10개 석권
AI 스타트업 비드래프트가 허깅페이스 공인 리더보드에서 1위를 추가해 총 10개 부문 1위를 차지했다고 밝혔어요. 새로 추가된 부문은 문서 정보 추출 벤치마크 ExtractBench와 데이터 형식 준수 벤치마크 IFStruct예요. IFStruct에서는 2000문항 중 1979문항을 통과해 98.95%를 기록했고, ExtractBench에서는 알리바바 Qwen3.8-Flash-Next 기반의 Darwin-180B-RSI-R3가 90.29점으로 1위에 올랐어요. 회사는 이 모델에 검증된 자기 풀이만 골라 재학습하는 재귀적 자가개선 기술을 적용했다고 설명해요.
왜 중요한가요? Huggingface의 공식 변경이라 관련 제품과 개발 전략에 직접 영향을 줄 수 있어요.
Gemini API 요금표에 Gemini Nano Banana 2.1 추가, 이미지 출력 100만 토큰당 $30
Google의 Gemini API 공식 요금 문서에 gemini-nano-banana-2.1 모델이 추가됐다. 유료 티어 표준 기준 입력은 100만 토큰당 $1.50(텍스트·이미지·비디오), 출력은 텍스트·사고 $7.50, 이미지 $30이다. 이미지 1장당 1K $0.0336, 2K $0.0504, 4K $0.0756이며, 배치 요금은 표준의 절반(입력 $0.75, 텍스트 출력 $3.75, 이미지 출력 $15)이다. 검색 그라운딩은 월 5,000건 무료 후 1,000건당 $14가 부과되고, 무료 티어는 제공되지 않는다.
왜 중요한가요? Gemini 3.1 Flash Image(Nano Banana 2)의 후속 업데이트 모델로 이미지 생성·대화형 편집 워크로드의 비용 산정과 모델 라우팅 전략에 직접 영향을 준다. 해상도별 단가와 그라운딩 과금 기준이 명시돼 운영 비용 계획에 활용할 수 있다.
AWS, LangChain에서 Bedrock Managed Knowledge Base 에이전틱 검색(AgenticRetrieveStream) 지원 소개
AWS 블로그는 langchain-aws 패키지가 Amazon Bedrock Managed Knowledge Base의 표준 검색(Retrieve API)과 에이전틱 검색(AgenticRetrieveStream API)을 모두 지원한다고 소개한다. 에이전틱 검색은 복합 질문을 하위 쿼리로 분해해 실행하고, 근거가 충분한지 판단해 부족하면 재검색하며, 그 과정을 트레이스 이벤트로 스트리밍한다. 글은 같은 다중 질문으로 두 방식을 비교하고 비용 차이와 각각이 적합한 상황도 다룬다.
왜 중요한가요? 다중 의도 질문에서 단일 벡터 유사도 검색이 질문의 일부만 다루는 한계를 줄일 수 있다. LangChain 기반 RAG 애플리케이션에서 에이전틱 검색을 쓸 수 있게 되고, 추론 과정을 추적할 수 있으며 비용과 정확도 사이의 선택 기준도 얻는다.
Amazon S3 Vectors, 필터링 검색 재현율을 높이는 메타데이터 사전 필터링 지원
Amazon S3 Vectors가 유사성 검색 전에 메타데이터 필터를 먼저 평가하는 사전 필터링 기능을 발표했다. ENHANCED 인덱스 모드에서 동작하며, 선택성이 높은 필터에서는 기존 CLASSIC 인덱스보다 조건에 맞는 벡터를 최대 5배 더 많이 반환한다. 경로·URL·계층적 키용 $startsWith 접두사 매칭 연산자가 추가되었고, 쿼리당 최대 100개의 필터 제약 조건과 벡터당 최대 2KB의 필터링 가능 메타데이터를 지원한다. 추가 비용은 없으며 기존 인덱스는 업데이트하면 쓸 수 있고, 데이터 재수집이나 쿼리 변경도 필요하지 않다.
왜 중요한가요? 멀티 테넌트 RAG 저장소나 에이전트 애플리케이션처럼 특정 고객·범위로 한정해 검색하는 환경에서 필터링된 벡터 검색의 재현율이 높아진다. 추가 비용 없이 기존 인덱스를 업데이트해 적용할 수 있어 RAG 검색 품질을 개선할 수 있다.
Condé Nast, Amazon Bedrock 기반 멀티모달 비디오 검색으로 콘텐츠 발굴 시간 250분→2분 단축
Condé Nast가 AWS GenAIIC와 협력해 Amazon Bedrock의 TwelveLabs Marengo 임베딩 모델과 Amazon OpenSearch Service를 활용한 멀티모달 비디오 검색 솔루션을 구축했다. 14만 개 이상의 비디오에서 자막·시각·오디오를 동시에 임베딩해 의미 기반 검색을 지원하며, 콘텐츠 발굴 시간을 평균 250분에서 2분 이내로 단축했다.
왜 중요한가요? 대규모 미디어 라이브러리에서 멀티모달 임베딩과 벡터 검색을 결합해 실제 편집 업무 프로세스를 자동화한 구체적 사례로, RAG 기술의 산업 적용 및 AI 전환(AX) 효과를 보여준다.
Cartograph: 연합형 MCP 프록시로 도구 검색 토큰 비용 대폭 절감
연구진이 MCP 환경에서 대규모 도구 카탈로그 탐색 비용을 줄이는 연합형 프록시 Cartograph를 발표했다. 운영자 서명 능력 카드, Rift 혼동 클러스터 분석, 서버-도구 2단계 검색을 결합해 22서버·374도구 환경에서 374개 정의 대신 3개 프록시 도구만 노출시켰고, 49개 질의 벤치마크에서 R@5 0.816(Jaccard 기준 0.592 대비)을 기록했다. 토큰 사용량은 42,450개에서 475개로 감소했으며 지연시간은 직접 호출 대비 5ms(0.8%) 증가에 그쳤다.
왜 중요한가요? AI 에이전트가 대규모 도구 카탈로그를 탐색할 때 발생하는 토큰·비용 문제를 크게 줄여 MCP 기반 에이전트 시스템의 확장성을 개선할 수 있다.
Snowflake Cortex, 멀티모달 임베딩용 AI_MULTI_EMBED 함수 추가
Snowflake Cortex AI Functions 문서에 텍스트·이미지·오디오·비디오로부터 멀티모달 임베딩을 생성하는 AI_MULTI_EMBED 함수가 새로 추가되었으며, 세그먼트 메타데이터가 포함된 벡터를 반환해 다중 모달리티 간 의미 기반 검색을 지원한다.
왜 중요한가요? 멀티모달 데이터에 대한 통합 벡터 검색이 가능해져 RAG 파이프라인에서 텍스트 외 이미지·오디오·비디오 콘텐츠까지 근거 검색과 연결에 활용할 수 있다.
나래에너지서비스, Strands Agents·Bedrock AgentCore로 발전설비 진단 에이전트 구축
나래에너지서비스 발전AX팀이 AWS GenAI Boost Program을 통해 Strands Agents와 Amazon Bedrock AgentCore Runtime을 활용, 경보·매뉴얼·로직 도면을 조회 전용 MCP 도구로 확인하고 Agent Skill로 진단 절차를 수행하는 발전설비 진단 보조 에이전트를 구축했다. RVMS 연계와 Plant Operation Supporter 두 PoC로 검색 성공률과 최종 응답 성공률을 21개 평가셋으로 측정했다.
왜 중요한가요? 발전 산업 현장에서 방대한 문서와 데이터를 오가야 하는 전문가 의존 진단 업무를 에이전트 기반 조회·판단 구조로 대체한 실제 AX 적용 사례로, 폐쇄망 환경에서의 배포 구조와 평가 방법을 함께 제시한다.
Jina AI, jina-ocr-v1 문서 파싱 모델 공개
Jina AI가 DeepSeek-OCR 기반 3.4B MoE 문서 파싱 모델 jina-ocr-v1을 오픈 웨이트로 공개했다. FastMTP 스펙큘레이티브 디코딩 헤드를 내장해 저가형 GPU(NVIDIA L4)에서도 빠른 처리가 가능하며, OmniDocBench v1.6 91.14점, olmOCR-Bench 83.4점을 기록했고 A100에서 초당 2.57페이지로 14개 시스템 중 최고 처리량을 보였다.
왜 중요한가요? 문서를 Markdown/HTML/LaTeX로 정확히 구조화하는 저비용 OCR 모델 공개는 RAG 파이프라인의 문서 파싱·근거화 단계 비용과 속도를 크게 개선할 수 있다.
Linkup Research, 149M 파라미터 오픈소스 희소 임베딩 모델 SPARSEUP 공개
Linkup Research가 ModernBERT 백본 기반 149M 파라미터 학습된 희소 임베딩 모델 SPARSEUP을 Apache 2.0 라이선스로 Hugging Face에 공개했다. 로짓 시프트, 토큰당 top-12 확장, 대소문자 폴딩으로 스톱워드 과다 문제를 해결했고 BEIR-13에서 nDCG@10 56.4를 기록, Seismic 역색인으로 쿼리당 약 380마이크로초에 97% 이상 재현율을 달성했다.
왜 중요한가요? 150M 이하 공개 희소 인코더 중 최고 성능을 주장하며 검색·RAG 시스템에서 밀집 임베딩 대신 해석 가능하고 역색인 친화적인 대안을 제공한다.
Google Research, 검색 쿼리 팬아웃 가속화하는 R4T 프레임워크 발표
Google Research가 강화학습으로 학습한 팬아웃 전략을 5390만 파라미터 소형 디퓨전 모델에 증류시켜, 단일 패스로 모든 검색 서브쿼리 임베딩을 생성하는 R4T(Retrieve-for-Train) 프레임워크를 공개했다. Polyvore와 음악 데이터셋 실험에서 기존 Best-of-N 방식 대비 품질이 개선되고 배치 크기에 따라 12배~20배 빠른 추론 속도를 달성했다.
왜 중요한가요? 검색·추천 시스템에서 쿼리 팬아웃의 지연시간과 품질 문제를 동시에 해결해, 다양하고 근거 있는 검색 결과 집합을 저비용으로 생성할 수 있게 되어 RAG 및 검색 인프라 효율성에 실질적 영향을 준다.
한컴, 대구공공시설관리공단과 LLM·비전 AI 공공행정 PoC MOU 체결
한컴이 대구공공시설관리공단과 업무협약을 체결해 LLM·비전 AI를 활용한 공공행정 AI 전환 기술검증(PoC)을 11월 30일까지 진행하며, 공단의 비정형 문서 데이터를 AI 솔루션과 연계해 답변 정확도와 행정 특화 기능을 검증한다.
왜 중요한가요? 공공기관 내부 비정형 문서 데이터를 실제 AI 업무에 적용하는 구체적 검증 사례로, 산업별·공공 AX 확산의 실질적 진전을 보여준다.
AWS, Bedrock Knowledge Bases에 TwelveLabs Marengo 3.0 멀티모달 임베딩 정식 출시
AWS가 Amazon Bedrock Knowledge Bases에서 TwelveLabs의 Marengo Embed 3.0을 임베딩 모델로 정식 출시했다. 비디오·이미지·오디오·텍스트를 512차원 벡터로 통합 인코딩하며, S3 업로드 시 프레임 추출·전사·임베딩 생성이 자동 처리되어 자연어로 영상 속 특정 장면을 검색할 수 있다.
왜 중요한가요? 기존에 복잡한 파이프라인(전사, 프레임 추출, 임베딩, 벡터DB, 동기화)을 구축해야 했던 영상 시맨틱 검색을 완전관리형 RAG 서비스로 제공해 미디어·보안·리테일 등 산업의 영상 검색 활용 장벽을 낮춘다.
AvioBook, Amazon Bedrock AgentCore로 항공 지연 분석 에이전트 구축
AvioBook이 AvioBook Connect의 항공기 지상 체류(turnaround) 운항 데이터를 근거로 자연어 질의에 답하는 'Connected Analytics'를 Amazon Bedrock AgentCore 기반 멀티 에이전트로 구축했다. 항공사 매니저용과 운항통제센터(OCC) 디스패처용 에이전트를 별도로 운영해 관련 항공편 이벤트를 조회하고 실제 플라이트룸 로그와 대조해 근거를 제시하는 답변을 제공한다.
왜 중요한가요? 항공사가 지연 원인을 수동으로 로그를 뒤지지 않고 자연어로 근거 기반 답변을 얻을 수 있게 되어 운항 효율성과 비용 절감(체류시간 단축 시 상당한 비용 절감 효과)에 실질적 영향을 준다.
Redis LangCache 시맨틱 캐싱 서비스 퍼블릭 프리뷰 출시
Redis가 벡터 검색 기반으로 LLM 프롬프트를 의미 단위로 매칭해 이전 응답을 재사용하는 관리형 시맨틱 캐시 LangCache를 Redis Cloud에서 퍼블릭 프리뷰로 공개했다. REST API로 검색-저장 2단계 구조를 제공하며 LLM 비용 최대 90% 절감, 캐시 히트 시 응답속도 최대 15배 향상을 보고했다.
왜 중요한가요? RAG 및 LLM 파이프라인에서 벡터DB 기반 시맨틱 캐싱이 실제 비용·지연 절감을 가능하게 하는 상용 서비스로 출시되어, 프로덕션 검색·생성 시스템의 운영 효율에 직접적인 영향을 준다.
Hugging Face Transformers v5.17.0 출시, HYV4·VibeVoice·NeoMME-Retriever 등 신규 모델 대거 추가
transformers 라이브러리 v5.17.0이 공개되어 780B 파라미터 MoE 언어모델 HYV4, 장문 다중화자 음성합성 VibeVoice, 문서 검색용 멀티모달 인코더 NeoMME/NeoMME-Retriever, 경량 ASR 모델 Fun-ASR-Nano 등 다수 신규 모델이 추가됐다. Vision 2D/3D 로터리 임베딩이 통합 RoPE 모듈로 표준화되고, 생성 단계 동기화 오버헤드 감소·원격 허브 파일 무조건 다운로드 방지·캐시 버그 수정 등의 개선이 포함됐다.
왜 중요한가요? 오픈소스 AI 생태계의 핵심 라이브러리에 대형 MoE 모델과 시각 문서 검색용 임베딩 모델이 공식 통합되면서, 개발자들이 최신 아키텍처와 RAG용 검색 모델을 즉시 활용할 수 있게 됐다.
HPE Zerto, Amazon Bedrock 기반 에이전트형 트러블슈팅 시스템 구축
HPE Zerto가 Amazon Bedrock, Strands Agents, MCP 서버를 통한 ZVM API 연동, Bedrock Knowledge Bases 기반 RAG, Bedrock Guardrails를 결합한 에이전트형 트러블슈팅 시스템을 온프레미스 환경에 배포해 자연어로 시스템 상태 진단과 복구 조치를 지원하도록 했다.
왜 중요한가요? 운영자가 여러 대시보드와 문서를 오가지 않고 자연어로 장애를 진단·복구할 수 있어 재해복구 업무의 실질적 자동화 사례를 제시한다.
Reducto, 단일 패스 문서 파싱 모델 'r-1' 출시
Reducto가 OCR·레이아웃·표·그라운딩을 단일 풀페이지 패스로 처리하는 문서 파싱 모델 r-1을 V3 Parse API 프리뷰로 출시했다. 자체 레거시 에이전틱 파이프라인 대비 오류율 20% 감소, 페이지당 비용 1센트로 낮췄다.
왜 중요한가요? 다단계 OCR·후처리 파이프라인을 하나의 모델 패스로 통합해 문서 기반 RAG 시스템의 파싱 비용과 지연을 크게 줄일 수 있다.
삼성SDS 패브릭스, 범정부 AI 공통기반 통해 공공 AX 확산…47개 기관 신청
삼성SDS가 리얼 서밋 2026에서 범정부 AI 공통기반 플랫폼 '패브릭스'와 공공 AI 전환 사례를 발표했다. 국무총리비서실 'AI 민원 서포터'는 민원 분류 시간을 20~30분에서 15초~1분으로 단축했고, 법제처 'AI 법령 비서', 한국철도공사 기상특보 에이전트 PoC(30분→3분) 등이 에이전트 빌더·RAG·MCP 기반으로 구축됐다. 현재 47개 기관이 공통기반 이용을 신청했다.
왜 중요한가요? 공무원이 직접 AI 에이전트를 만들어 행정 업무 프로세스 자체를 재설계하는 공공부문 AX 사례로, 정부 차원의 AI 공통 인프라 확산과 실질적 업무 효율화 효과를 보여준다.
KT, 전사 데이터 활용 체계 '에이전틱 데이터 플로우' 구축
KT가 K 피처 맵, K 메타, KT 온톨로지, K 이밸류에이션 4가지 요소로 구성된 전사 데이터 활용 체계 '에이전틱 데이터 플로우'를 구축해 AI 에이전트가 기업 내부 데이터를 스스로 이해하고 업무에 즉시 활용할 수 있도록 했다.
왜 중요한가요? 단순 AI 에이전트 도입을 넘어 기업 고유의 업무 맥락과 지식을 온톨로지·메타데이터 기반으로 구조화해 실행까지 연결하는 엔터프라이즈 AI 인프라 사례다.
엔타이어, 코드·세션 통합 '에이전틱 검색' 기능 출시
엔타이어가 코드 검색과 시맨틱 검색을 결합한 이중 엔진 구조의 '에이전틱 검색'을 출시해, 커밋뿐 아니라 개발 세션 대화 기록까지 하나의 API로 검색할 수 있게 했다. 벤치마크에서 정확도가 개선되고 토큰 사용량과 작업 단계가 절반 이하로 줄었다.
왜 중요한가요? 코드 변경의 배경과 개발자 판단 근거까지 검색·근거화할 수 있어 AI 코딩 에이전트의 문서 기반 지식 활용 능력과 개발 효율을 크게 높인다.
AWS, Bedrock AgentCore로 코드 기반 아키텍처 다이어그램 자동 생성·문서화 파이프라인 구축 사례 공개
AWS는 Bedrock AgentCore, Strands 에이전트, Bedrock Knowledge Bases, CodePipeline을 결합해 .NET 코드베이스를 분석하고 아키텍처 다이어그램을 자동 생성·검증·게시하며 자연어 검색이 가능하도록 임베딩하는 CI/CD 연동 파이프라인 사례를 공개했다. 이 시스템은 글로벌 interdealer broker 기업의 전자거래 플랫폼에서 2026년 1분기부터 실제 운영 중이다.
왜 중요한가요? 코드 커밋 시 아키텍처 문서를 자동 최신화하고 지식베이스에 임베딩해 검색 가능하게 함으로써, 문서화 지연·지식 실로·컴플라이언스 리스크 문제를 해결하는 실질적 AI 에이전트+RAG 결합 사례를 보여준다.
LangChain, langchain.mcp 어댑터 1.4.0a3 릴리스
langchain 1.4.0 알파 라인의 세 번째 릴리스로 langchain.mcp 네임스페이스가 이어서 업데이트됐다. MCPAdapter가 URL·로컬 스크립트·클라이언트 그룹 등 다양한 MCP 서버를 어댑팅하며, 캐싱 모드(use/refresh/bypass), 도구 메타데이터를 mcp 네임스페이스로 그룹화, elicitation=interrupt로 서버의 중간 질문을 LangGraph 인터럽트로 노출하는 기능이 추가됐다.
왜 중요한가요? MCP 서버를 LangChain 에이전트 도구로 표준화된 방식으로 통합하는 인프라가 계속 발전하면서 개발자가 다양한 MCP 서버를 더 쉽게 조합해 에이전트를 구축할 수 있게 된다.
OpenAI, 챗GPT 포 헬스케어에 에픽 EHR 연동 기능 출시
오픈AI가 의료기관용 챗GPT 서비스에 에픽 전자의무기록(EHR) 시스템을 연동해 의료진이 환자의 진료기록, 검사결과, 복용약물 등을 질문하면 요약 정보와 근거 차트를 함께 제공하도록 했다. EHR 화면 직접 통합 옵션도 지원하며, 9개 공식 의료정보 출처를 연결한 '헬스케어 퍼블릭 데이터' 플러그인도 함께 공개했다.
왜 중요한가요? 환자 기록을 근거로 답변을 생성·인용하는 RAG형 의료 AI 적용으로, 의료진의 정보 검토 시간을 줄이고 진료 효율을 높일 수 있는 실질적 제품 변화다.
AWS Agent Registry 정식 출시(GA)
AWS가 프리뷰 상태였던 AWS Agent Registry를 정식 출시(GA)했다. Governance Plane과 Discovery Plane 두 계층 구조로 에이전트·도구·스킬을 등록·검색·거버넌스할 수 있으며 Sony, Mitsubishi Electric, Southwest 등이 도입했다.
왜 중요한가요? 엔터프라이즈 규모에서 에이전트/도구 재사용과 보안·컴플라이언스 감사 추적이 가능해져 조직 전체의 에이전틱 AI 확산과 신뢰 확보에 기여한다.
몽고DB, 아틀라스 관리형 MCP 서버 정식 출시 및 임베딩·리랭킹 API 공개
몽고DB가 '몽고DB닷로컬 서울'에서 아틀라스 관리형 MCP 서버를 정식 출시해 별도 서버 구축 없이 챗GPT·클로드 등 AI 도구가 자연어로 DB 조회·관리(스키마 파악, 인덱스 관리, 클러스터 설정 등)를 수행할 수 있게 했다. OAuth 기반 사용자 위임 인증과 작업 로그 추적 기능도 함께 제공한다. 또한 아틀라스 임베딩·리랭킹 API를 신규 공개해 외부 모델 연결 없이 아틀라스 내에서 벡터 임베딩(보이지 4, 보이지 멀티모달 3.5)과 검색 결과 재정렬(리랭크 2.5)을 수행할 수 있게 했다.
왜 중요한가요? DB, 벡터 검색 계층, 임베딩 모델을 하나의 플랫폼으로 통합함으로써 개발자가 별도 인프라 없이 AI 에이전트 기반 RAG 애플리케이션을 구축할 수 있게 되며, 보안·감사 기능으로 엔터프라이즈 도입 장벽을 낮춘다.
코히어, 23억 파라미터 문서 AI 모델 '파스 5' 공개
코히어가 PDF·슬라이드·이미지 등 문서를 텍스트로 변환하는 23억 파라미터 비전언어모델 '파스 5'를 공개했다. OCR과 내용 이해를 통합 처리해 표·이미지·위치 정보를 함께 파악하며 9개 언어를 지원한다. API 가격은 1000페이지당 1.5달러이며, GPU 한 장당 초당 4.5페이지, H100 8장 서버 기준 초당 약 36페이지를 처리한다.
왜 중요한가요? 벤치마크 최상위는 아니지만 가격 대비 성능과 처리 속도를 앞세워 대규모 문서 처리·RAG 파이프라인의 비용을 크게 줄일 수 있는 실용적 대안을 제시한다.
Cohere, 문서 파싱 전용 비전언어모델 'Parse'(parse-v5.0) 출시
Cohere가 23억 파라미터 비전언어모델 Parse를 공개했다. PDF·PPT·JPEG 페이지를 별도 OCR 없이 마크다운, HTML 테이블, 바운딩박스, 이미지 설명 등으로 변환하며 API 가격은 1,000페이지당 1.50달러, Model Vault 전용 인스턴스로도 제공된다.
왜 중요한가요? RAG 파이프라인의 문서 수집·구조화 단계를 자동화해 기업의 문서 기반 검색·근거화 비용과 시간을 줄일 수 있다.
AWS, Amazon Bedrock AgentCore Evaluations로 OpenTelemetry 기반 에이전트 프레임워크 평가 기능 공개
AWS가 LangGraph, LlamaIndex, OpenAI Agents SDK, Strands Agents 등 다양한 에이전트 프레임워크를 OpenTelemetry 표준 스팬(invoke agent, inference, execute tool)만으로 평가할 수 있는 Amazon Bedrock AgentCore Evaluations를 소개했다. 설치된 계측 라이브러리의 scope.name을 기반으로 자동으로 파싱 방식을 적용해 GoalSuccessRate, Correctness, Helpfulness 등 지표로 채점한다.
왜 중요한가요? 프레임워크마다 다른 SDK와 트레이싱 방식 때문에 깨지던 에이전트 평가 파이프라인을 OpenTelemetry라는 공통 언어로 통합해, 어떤 프레임워크를 쓰든 동일한 평가 인프라를 사용할 수 있게 한다.
AWS DynamoDB, 벡터 검색 인덱스 파티션 키·비동기 인덱싱·온디맨드 제약 문서화
DynamoDB 개발자 가이드에 벡터 인덱스 파티션 키와 인라인 필터 속성의 동작 방식이 상세화됐고, 리전 간 복제 시 벡터 인덱싱이 항상 비동기로 처리되어 쓰기와 검색 가능 시점 사이 지연이 발생할 수 있다는 점, 벡터 인덱스는 온디맨드 용량 모드에서만 지원된다는 제약, 검색 결과 캐싱을 위해 ElastiCache 같은 외부 캐시를 사용할 수 있다는 안내가 추가됐다.
왜 중요한가요? DynamoDB 네이티브 벡터 검색을 활용하는 RAG 시스템 구축자는 인덱스 파티셔닝 전략, 강한 일관성 한계, 용량 모드 제약을 고려해 아키텍처를 설계해야 한다.
Amazon Quick, Microsoft 365용 에이전틱 AI 확장 프로그램 출시
Amazon Quick의 AI 어시스턴트가 Word, Excel, PowerPoint, Outlook용 확장 프로그램으로 정식 출시되어 클라이언트 설치 없이 클라우드에서 실행되며, QuickSight, Salesforce, Jira, Slack, SharePoint 등 데이터 소스와 연동해 문서 내 텍스트 검색·교체, 콘텐츠 재구성 등 에이전트 작업을 수행한다. Plus/Professional/Enterprise 플랜 고객은 추가 라이선스 없이 이용 가능하며, 7개 AWS 리전에서 데이터 상주 정책을 유지한다.
왜 중요한가요? 업무 도구 내에서 여러 기업 데이터 소스를 연결해 에이전트가 직접 문서를 편집·근거화하는 방식으로 생산성 워크플로우를 바꿀 수 있다.
AWS, AI 에이전트 행동 흐름 통제하는 오픈소스 정책 언어 '도그우드' 공개
AWS가 아마존 베드록 에이전트코어에 적용되는 오픈소스 정책 언어 '도그우드'를 공개했다. 시더(Cedar)를 확장해 도구 사용 순서·빈도·누적 사용량 등 시간 기반 정책을 지원하며, 에이전트코어 게이트웨이에는 사용자별 속도 제한 기능도 추가됐다. 기존 에이전트 재설계 없이 즉시 적용 가능하다.
왜 중요한가요? 에이전틱 AI의 연쇄 행동에서 발생하는 보안·리스크 문제를 세밀하게 통제할 수 있어 기업의 AI 에이전트 운영 안전성을 높인다.
네이버클라우드, 네이버웍스에 AI 검색·문서관리·에이전틱 AI 3종 신기능 공개…공공기관 확산
네이버클라우드가 네이버웍스에 AI 검색(AI탭 연동), 문서·지식관리 서비스 '페이지', 에이전틱 AI 구축 솔루션 '이지(EASY)' 등 3종 신기능을 공개했다. 한국은행과의 AI 어시스턴트 구축 사례를 소개했으며, 네이버웍스는 행안부·과기정통부·식약처의 공식 협업 플랫폼으로 채택돼 전국 공무원 70만명 이상으로 확산될 예정이다.
왜 중요한가요? 공공기관 업무 전반에 AI 검색·지식관리·에이전트 구축이 결합된 AX가 대규모로 확산되는 사례로, 행정 업무 자동화의 실질적 변화를 보여준다.
mem0 TypeScript SDK v3.1.6, Oracle AI Vector Search 벡터 스토어 지원 추가
mem0ai/mem0 TS SDK v3.1.6에서 Oracle AI Vector Search 벡터 스토어를 신규 지원(풀링 연결, HNSW/IVF 인덱스, JSON 페이로드 필터링, 6종 거리 메트릭)하고, 세션 스코프 키 특수문자 처리 버그와 Oracle 초기화 실패 시 커넥션 풀 정리 버그를 수정했다. insert 배치 유효성 검증을 추가하고 Oracle 벡터 스토어의 insert/list/search 성능을 개선했으며, 8개 high·18개 medium 심각도 의존성 취약점을 패치했다.
왜 중요한가요? RAG용 벡터 스토어 선택지가 확대되고 성능·보안이 개선되어 mem0 기반 메모리/검색 시스템의 안정성과 확장성이 높아진다.
Amazon DynamoDB, 네이티브 벡터 검색 정식 출시
Amazon DynamoDB가 별도 벡터DB 없이 운영 데이터와 함께 벡터 임베딩을 저장하고 직접 유사성 검색을 실행할 수 있는 벡터 검색 기능을 정식 출시했다. 새로운 벡터 인덱스 유형과 SearchVectors API를 제공하며, 최대 4,096차원, 유클리드·코사인·스칼라곱 거리 함수, 인라인 필터링을 지원하고 모든 상용 AWS 리전에서 이용 가능하다.
왜 중요한가요? 운영 데이터베이스에 벡터 검색이 네이티브로 통합되어 별도 벡터DB 동기화 파이프라인 없이 시맨틱 검색, RAG, 추천 엔진 구축이 가능해져 개발 및 운영 비용을 크게 줄일 수 있다.
vLLM v0.27.0 출시, Kimi K3·Qwen3.5 지원 및 PyTorch 2.13 업그레이드
vLLM v0.27.0이 561개 커밋과 242명 기여자 참여로 출시되어 Kimi K3, Qwen3.5, VaultGemma 등 신규 모델 지원과 PyTorch 2.13/Triton 3.7.1 업그레이드, FlashAttention 4 SM100 최적화, DeepSeek-V4 성능 개선, Model Runner V2 확장, Rust 프론트엔드 gRPC 제어 플레인 추가 등이 반영됐습니다.
왜 중요한가요? 주요 오픈소스 추론 서빙 엔진의 대규모 업데이트로 신규 모델 지원과 하드웨어 성능 최적화가 결합되어 실제 프로덕션 배포 성능과 비용에 직접적 영향을 미칩니다.
AWS, AgentCore 에이전트가 로컬 MCP 서버에 접근하는 MCP 브리지 아키텍처 공개
AWS가 클라우드에서 실행되는 Amazon Bedrock AgentCore 기반 AI 에이전트가 브라우저 확장, WebSocket, 네이티브 메시징을 통해 사용자 로컬 머신의 MCP 서버(엑셀 파일 등)에 접근할 수 있는 MCP 브리지 아키텍처를 소개하고 소스 코드를 GitHub에 공개했다.
왜 중요한가요? 원격 MCP 클라이언트와 로컬 MCP 서버 간 연결이라는 기존 MCP의 공백을 해결해, 클라우드 에이전트가 로컬 파일·도구에 안전하게 접근할 수 있는 실전 패턴을 제공한다.
Anthropic, Claude Opus 4.1 모델 상태를 'deprecated'에서 'retired'로 변경
Anthropic의 Tool Use 문서에서 Claude Opus 4.1의 상태가 deprecated에서 retired(Bedrock, Google Cloud 제외)로 갱신되었으며, 각 Claude 모델별 툴 사용 시스템 프롬프트 토큰 수 표도 함께 업데이트되었다.
왜 중요한가요? Claude Opus 4.1을 사용하는 API/SDK 및 에이전트·RAG 호출부는 Bedrock·Google Cloud 외 환경에서 더 이상 해당 모델을 사용할 수 없어 마이그레이션이 필요하다.
Qdrant v1.19.0 출시, TurboQuant 4비트 및 메모리 계층 통합 설정 추가
Qdrant가 v1.19.0을 릴리스했다. TurboQuant 4비트 벡터 저장 데이터타입, 컬렉션별 메모리 계층(cold/cached/pinned) 통합 설정, 키워드 prefix 매칭 필터, 쿼리별 IDF 계산, 슬라이스 필터링, 전역 쿼터 API, 결정적 읽기 라우팅 토큰 등이 추가되었고 다수의 성능 개선 및 버그 수정이 포함됐다.
왜 중요한가요? 벡터DB의 저장 효율과 검색 기능이 개선되면서 RAG 시스템의 비용과 정확도, 운영 유연성에 직접적인 영향을 준다.
AWS, Amazon Bedrock에 Web Search 그라운딩 기능 정식 출시
AWS가 Amazon Bedrock에 Web Search를 정식 출시했다. 서드파티 검색 제공자 통합 없이 단일 API 파라미터로 활성화되며, Amazon이 운영하는 웹 인덱스와 지식 그래프를 활용해 의미론적 스니펫 추출과 엔터티 기반 사실 답변을 제공하고 기본적으로 데이터 유출 없는 엔터프라이즈급 보안을 지원한다.
왜 중요한가요? 모델의 학습 데이터 한계를 넘어 최신 웹 정보로 응답을 근거화하여 환각을 줄이고, 별도 벤더 온보딩 없이 기업들이 그라운딩 기능을 도입할 수 있게 한다.
초록소프트, 중소기업용 AI 전환 솔루션 3종 출시
초록소프트가 중소기업 대상 AX 솔루션 3종(시각 정보 분석 '카비렌즈', 지식 자산화 '코브레인', 데이터 기반 의사결정 '데시내비')을 출시해 데이터 수집·해석부터 지식 연결, 의사결정까지 AX 전 과정을 통합 지원한다.
왜 중요한가요? 예산과 인력이 부족한 중소 제조·건설·서비스 기업이 맞춤형 AI 전환을 도입할 수 있는 구체적 솔루션 사례로, 산업별 AX 확산에 기여한다.
라이너, 투자 리서치 AI 에이전트 '라이너 파이낸스' 출시
라이너가 기업 공시, 뉴스, 시장 데이터를 수집·구조화해 출처 표기와 함께 리포팅하는 투자 리서치 AI 에이전트 '라이너 파이낸스'를 출시했다. 미국·한국 주식 및 ETF를 커버하며 20분 간격 업데이트 방식을 채택했다.
왜 중요한가요? AI 에이전트가 금융 정보를 수집·근거화해 제공하는 실제 서비스로, RAG 기반 출처 표기를 통해 할루시네이션을 줄이는 상용 사례를 보여준다.
AWS, Amazon Bedrock Knowledge Base에 Agentic Retrieval 기능 출시
Amazon Bedrock Managed Knowledge Base에 Agentic Retrieval 기능이 추가되어, 모델이 복합·비교·탐색적 질문을 여러 하위 질의로 분해하고 반복적으로 검색·평가한 뒤 응답을 생성할 수 있게 됐다. 새로운 AgenticRetrieveStream API로 계획·검색·평가 단계를 추적할 수 있으며 maxAgentIteration 등 설정으로 튜닝 가능하다.
왜 중요한가요? 기존 단일 검색(top-k) 방식이 처리하지 못했던 다중 의도·비교형 질문에 대해 자동으로 반복 검색·충분성 판단을 수행함으로써 RAG 시스템의 검색 정확도와 답변 품질을 높인다.
Jefferies, AWS 기반 에이전틱 AI 트레이딩 어시스턴트 구축
투자은행 Jefferies가 Amazon Bedrock, Claude, 지식베이스 RAG, MCP 프로토콜을 결합해 주식 트레이딩 데스크용 자연어 기반 AI 트레이드 어시스턴트를 구축·배치했으며, 트레이더가 코딩 없이 자연어 질의로 SQL을 자동 생성·실행해 실시간 데이터 인사이트를 얻을 수 있게 됐다.
왜 중요한가요? 금융 업무 현장에서 에이전틱 AI와 RAG, MCP를 결합해 실제 트레이딩 운영 프로세스를 자동화한 구체적 산업 AX 사례로, 엔터프라이즈 AI 도입의 실질적 변화를 보여준다.