[OSSCA] AI 시대, 꼭 알아야 할 세 가지 키워드 : RAG, MCP, A2A

✨ 외부 지식, 도구 연결, 에이전트 협업까지 — AI의 확장 기술 소개

인공지능이 점점 똑똑해지고, 다양한 작업을 도와주는 시대가 되었습니다. 그런데 이런 AI가 단순히 말을 잘하는 걸 넘어서, 외부 정보를 찾아보고(RAG), 앱과 연결되고(MCP), 다른 AI랑 소통도 한다면(A2A)?

이제는 AI도 혼자 일하지 않고, 협업하고, 자동화도 하고, 더 많은 일을 똑똑하게 처리할 수 있게 되었어요. 이번 글에서는 AI 기술의 핵심 키워드로 떠오르고 있는 RAG, MCP, A2A를 쉽게 풀어봅니다.

각 개념이 무엇을 하는 기술인지, 왜 등장했는지, 그리고 우리가 만드는 서비스에 어떻게 활용될 수 있는지를 실생활 예시와 함께 알아보겠습니다.

RAG (Retrieval-Augmented Generation)

✅ 무엇을 하는 기술인가요?

RAG는 검색과 생성을 결합한 AI 기술입니다. 사용자의 질문에 대해 LLM이 단순히 기존 지식으로만 답하는 게 아니라, 외부 지식 소스에서 실시간으로 정보를 검색해 그 내용을 바탕으로 답변을 생성합니다.

❓ 왜 등장했나요?

LLM은 기본적으로 학습된 데이터까지만 알고 있습니다. 예를 들어 GPT가 2023년까지의 정보만 안다면, 2025년 정책이나 트렌드에 대해선 정확한 답을 할 수 없습니다.

그래서 모델이 외부 문서를 검색해 최신 정보를 가져올 수 있게 만든 게 RAG입니다. 이로써 지식의 최신성과 정확성을 확보할 수 있죠.

💡 어떻게 활용할 수 있나요? (실생활 예시)

🎮 리그 오브 레전드 공략 AI 비서

유저가 “탑 리븐 상대할 때 어떤 챔피언이 좋아요?”라고 물으면,

→ RAG는 OP.GG, Reddit, LoL Wiki, 프로 경기 리뷰, 유튜브 공략 영상 등에서 관련 데이터를 검색하고,

→ 현재 패치 버전 기준으로 승률이 높은 카운터 챔피언을 요약해서 알려줘.

또는 “미드 아리로 라인전 이기는 법 알려줘”라고 하면,

→ RAG는 상성 정보, 아이템 빌드, 스킬 활용 팁, 유저 팁 등을 찾아서

→ 라인전에서 우위 잡는 전략을 상황에 맞춰 설명해줄 수 있어.

만약 유저가 자신의 전적 데이터를 연동하면,

→ RAG는 본인의 플레이 스타일과 평균 데스 수, 딜량 등을 참고해서

→ 개인 맞춤형 공략도 제공 가능!

예: “당신은 초반 과감한 싸움을 많이 걸기 때문에, 주문 도둑의 검 대신 부패 물약이 더 안정적일 수 있어요.”

이런 식으로 RAG 기반 LoL 공략 비서는 실시간 정보 반영 + 개인화 공략 추천이 가능해서

기존 챗봇보다 훨씬 유용합니다.

차이를 정리해보면 다음과 같습니다.

🤖 그냥 LLM (예: GPT-4)

• 📅 지식 업데이트 시점이 고정되어 있음 (예: 2023년까지 학습됨)

• 🔍 LoL의 최신 패치 정보, 티어별 메타 변화, 밸런스 패치 내용 등을 반영할 수 없음

• 💬 질문에 대한 답이 일반적이고 보편적인 수준에 머무를 수 있음

  • 예: “리븐은 딜이 세니 CC 챔피언으로 카운터쳐요.”

🔍 RAG 기반 LLM (예: LoL 공략 AI 비서)

• 🌐 외부 지식 출처(OP.GG, 포럼, 패치노트 등)를 검색해서 최신 정보 반영 가능

• 🧠 LLM이 이해하고 요약해서 사용자에게 자연스럽게 설명함

  • 예: “현재 14.8 패치 기준, 말파이트가 리븐 상대로 56% 승률을 보여요. 특히 탑에서 리븐의 진입 각을 잘 끊기 때문에 유리합니다.”

• 👤 유저의 실시간 전적 데이터를 반영해서 개인 맞춤형 조언 제공 가능

• 🧩 LLM이 모르는 지식도 검색 → 이해 → 생성 흐름으로 다룰 수 있음

🎯 핵심 차이

• LLM은 이미 알고 있는 걸 답하는 모델

• RAG는 외부에서 최신 정보를 "찾아와서" 답하는 모델

🧩 어떻게 구현할까?

Step 1. 시스템 구성도 이해하기

Step 2. 데이터 수집 및 정제

1. 공식 패치노트 크롤링 (ex. https://www.leagueoflegends.com/ko-kr/news/tags/patch-notes/)

2. OP.GG 챔피언 통계, 유저 공략글, NGA 포럼 등에서 데이터 확보

3. 문서 단위로 나누고, 텍스트 청크로 분할 (e.g. 문단 단위)

4. 각 청크를 임베딩하고, 벡터 DB에 저장

Step 3. 검색-증강 생성(RAG) 파이프라인 구축

• 사용자가 “리븐 상대로 뭐 픽해야 해요?”라고 질문

• 질문 → 임베딩 → 벡터 DB에서 유사한 문서 검색

• 검색된 문서를 컨텍스트로 넣어서 LLM에게 질의

• LLM이 최신 메타 반영된 자연어 답변 생성

• 사용자에게 결과 출력

Step 4. 사용 기술 예시

💡 확장 아이디어

• 사용자 닉네임을 입력하면 해당 유저의 전적을 불러와서 개인화된 공략 제시

• LLM이 챔피언 티어 리스트, 승률 추세 등을 요약해주는 기능 추가

• 챔피언별 추천 룬, 스펠, 빌드까지 자동 제공

MCP (Model Context Protocol)

✅ 무엇을 하는 기술인가요?

MCP는 LLM이 외부 툴, 시스템, 기능과 연결될 수 있도록 만든 표준화된 통신 프로토콜입니다.

쉽게 말해, LLM이 정보를 '이해하고 생성'하는 것에서 나아가, 실제 외부 작업까지 실행할 수 있도록 도와주는 연결 다리입니다.

예를 들어, LLM이 외부 툴과 ‘정확하게 대화’하려면 서로 약속된 요청 형식과 응답 규칙이 필요합니다. MCP는 바로 이 ‘대화의 규칙’을 정해 놓은 설명서 또는 매뉴얼이라고 할 수 있습니다.

❓ 왜 등장했나요?

기존 LLM은 정보를 요약하거나 정리해주는 데는 강했지만, 실제 업무까지 처리하진 못했어요.

하지만 “이 문서 메일로 보내줘” “캘린더에 일정 추가해줘” 같은 실제 작업을 시키려면, LLM이 외부 시스템과 직접 대화하고 작업까지 실행할 수 있어야 했죠.

MCP는 바로 그 통로를 열어주는 역할을 합니다.

💡 어떻게 활용할 수 있나요? (실생활 예시)

예를 들어, 회의 후 “오늘 회의록 요약해서 슬랙에 공유해줘”라고 LLM에게 말하면,

MCP를 통해 LLM은 회의록 문서를 분석 → 요약 작성 → 슬랙 API 호출 → 메시지 전송까지 자동으로 처리할 수 있어요.

A2A (Agent2Agent)

✅ 무엇을 하는 기술인가요?

Google이 오픈 소스로 공개한 A2A는 AI 에이전트끼리 서로 통신하며 협업할 수 있게 해주는 표준 프로토콜입니다. 각 에이전트가 서로를 ‘인식하고’, ‘작업을 주고받고’, ‘결과를 반환’할 수 있도록 해줘요.

A2A는 에이전트에게 유용한 도구와 컨텍스트를 제공하는 Anthropic의 모델 컨텍스트 프로토콜(MCP)을 보완하는 개방형 프로토콜입니다.

❓ 왜 등장했나요?

LLM은 똑똑하지만 만능은 아닙니다. 텍스트 생성은 잘해도 이미지 분석은 약할 수 있고, 복잡한 연산이나 특정 도메인 작업은 전용 에이전트가 더 잘할 수 있죠.

그래서 서로 다른 전문성을 가진 에이전트들이 협력할 수 있도록 한 게 A2A입니다.

💡 어떻게 활용할 수 있나요? (실생활 예시)

예를 들어 AI 디자이너 봇과 기획자 봇이 있다고 해볼게요. 기획자 봇이 “카페 앱 UI를 디자인해줘”라고 하면, 이 메시지를 A2A로 디자이너 봇에게 전송. 디자이너 봇은 UI 시안을 만들고 다시 결과를 전달합니다. 다양한 역할의 AI가 연계되어 팀처럼 협업하는 형태입니다.