RAG + 에이전트 — 의료 가이드라인 기반 AI 어시스턴트
…
한줄 요약
순수 에이전트는 학습 시점 이후 업데이트된 가이드라인을 알지 못한다. RAG-Agent는 벡터 DB에 최신 의료 문서를 저장하고 에이전트가 쿼리하는 구조로, 근거 기반 답변을 가능하게 한다.
순수 에이전트의 한계
LLM은 학습 시점까지의 의료 지식만 갖고 있다.
- ADA 당뇨 가이드라인은 매년 업데이트된다
- 식약처 허가사항은 수시로 변경된다
- 병원 내부 프로토콜은 LLM이 전혀 모른다
이런 “최신성 문제”와 “기관 특수 지식 문제”를 동시에 해결하는 것이 RAG-Agent다.
RAG-Agent 아키텍처
[에이전트]
↓ 질문 수신
↓ "이 질문에 답하려면 가이드라인 검색이 필요하다"
↓ search_guideline_rag() 호출
↓
[RAG 레이어]
벡터 DB ──→ 의미 검색 ──→ 관련 청크 반환
↓
[에이전트]
청크를 컨텍스트로 받아 근거 기반 답변 생성
출처 인용 포함의료 RAG 구축 — 문서 종류
MEDICAL_KNOWLEDGE_SOURCES = {
"clinical_guidelines": {
"sources": ["ADA 2025", "ACC/AHA 2024", "KDA 2024", "KDIGO 2024"],
"update_frequency": "연 1회",
"chunk_strategy": "section"
},
"drug_label": {
"sources": ["식약처 허가사항", "FDA label"],
"update_frequency": "수시",
"chunk_strategy": "paragraph"
},
"hospital_protocol": {
"sources": ["원내 임상 경로", "수술 전 체크리스트"],
"update_frequency": "분기",
"chunk_strategy": "procedure_step"
}
}문서 청킹(Chunking) 전략
문서를 어떻게 나누느냐가 검색 품질을 결정한다.
from langchain.text_splitter import RecursiveCharacterTextSplitter
def chunk_medical_document(text: str, doc_type: str) -> list[str]:
"""문서 유형에 따라 청킹 전략을 다르게 적용한다."""
if doc_type == "guideline":
# 가이드라인: 섹션 단위로 분리 (권고 등급 유지)
splitter = RecursiveCharacterTextSplitter(
chunk_size=800,
chunk_overlap=150, # 권고 맥락이 끊기지 않도록 오버랩
separators=["\n## ", "\n### ", "\n\n", "\n"]
)
elif doc_type == "drug_label":
# 약물 허가사항: 항목 단위 분리 (용법용량, 금기, 주의사항)
splitter = RecursiveCharacterTextSplitter(
chunk_size=500,
chunk_overlap=50,
separators=["\n[", "\n용법", "\n금기", "\n주의"]
)
else:
# 기본
splitter = RecursiveCharacterTextSplitter(
chunk_size=600,
chunk_overlap=100
)
return splitter.split_text(text)벡터 DB 구축 및 검색
from qdrant_client import QdrantClient
from qdrant_client.models import Distance, VectorParams, PointStruct
import hashlib
qdrant = QdrantClient(url="http://localhost:6333")
def index_medical_document(text: str, metadata: dict):
"""의료 문서를 벡터 DB에 색인한다."""
chunks = chunk_medical_document(text, metadata["doc_type"])
points = []
for i, chunk in enumerate(chunks):
vector = embed_text(chunk) # 임베딩 모델 호출
point_id = int(hashlib.md5(f"{metadata['source']}_{i}".encode()).hexdigest()[:8], 16)
points.append(PointStruct(
id=point_id,
vector=vector,
payload={
"content": chunk,
"source": metadata["source"],
"doc_type": metadata["doc_type"],
"updated_at": metadata["updated_at"],
"page": metadata.get("page")
}
))
qdrant.upsert(collection_name="medical_knowledge", points=points)
print(f"{metadata['source']}: {len(chunks)}개 청크 색인 완료")
def search_medical_knowledge(query: str, doc_type: str = None,
top_k: int = 5) -> list[dict]:
"""의미 검색으로 관련 의료 문서를 검색한다."""
query_vector = embed_text(query)
filter_condition = None
if doc_type:
filter_condition = {"must": [{"key": "doc_type", "match": {"value": doc_type}}]}
results = qdrant.search(
collection_name="medical_knowledge",
query_vector=query_vector,
query_filter=filter_condition,
limit=top_k,
with_payload=True
)
return [
{
"content": r.payload["content"],
"source": r.payload["source"],
"score": r.score,
"updated_at": r.payload["updated_at"]
}
for r in results
]RAG 도구를 에이전트에 연결
import anthropic
import json
client = anthropic.Anthropic()
rag_tool = {
"name": "search_guideline_rag",
"description": "벡터 DB에서 최신 의료 가이드라인을 의미 검색한다. "
"일반적인 의학 지식보다 최신 공식 가이드라인이 필요할 때 사용한다.",
"input_schema": {
"type": "object",
"properties": {
"query": {"type": "string", "description": "검색할 임상 질문"},
"doc_type": {
"type": "string",
"enum": ["guideline", "drug_label", "hospital_protocol"],
"description": "검색 대상 문서 유형"
}
},
"required": ["query"]
}
}
def rag_agent(clinical_question: str) -> str:
messages = [{"role": "user", "content": clinical_question}]
while True:
response = client.messages.create(
model="claude-opus-4-5",
max_tokens=4096,
tools=[rag_tool],
messages=messages,
system="임상 질문에 답할 때 반드시 search_guideline_rag 도구로 "
"최신 가이드라인을 확인하고, 출처를 명시하여 답변하라."
)
if response.stop_reason == "end_turn":
return response.content[0].text
tool_results = []
for block in response.content:
if block.type == "tool_use":
# RAG 검색 실행
search_results = search_medical_knowledge(
query=block.input["query"],
doc_type=block.input.get("doc_type")
)
# 검색 결과를 LLM이 읽을 수 있는 텍스트로 변환
formatted = "\n\n".join([
f"[출처: {r['source']} ({r['updated_at']})]\n{r['content']}"
for r in search_results
])
tool_results.append({
"type": "tool_result",
"tool_use_id": block.id,
"content": formatted
})
messages.append({"role": "assistant", "content": response.content})
messages.append({"role": "user", "content": tool_results})Semantic Search vs Keyword Search
| 방식 | 특징 | 의료 적합성 |
|---|---|---|
| Keyword | 정확한 단어 일치 | 약물명 검색에 유리 |
| Semantic | 의미 기반 유사도 | 임상 질문 이해에 유리 |
| Hybrid | 두 방식 결합 | 가장 높은 검색 품질 |
의료 RAG에서는 “당뇨 신합병증 치료”와 “당뇨병성 신증 관리”가 같은 의미임을 이해해야 하므로 Semantic 또는 Hybrid 방식을 권장한다.
핵심 정리
- RAG-Agent는 에이전트가 벡터 DB에 저장된 최신 문서를 쿼리하여 근거 기반 답변을 생성한다
- 청킹 전략은 가이드라인에는 섹션 단위(800자), 약물 허가사항에는 항목 단위(500자)가 적합하다
- 검색 결과에 출처와 업데이트 날짜를 포함하면 의사가 원문을 확인할 수 있다
- Hybrid 검색(키워드 + 의미)이 의료 문서에서 가장 높은 검색 품질을 보인다
- RAG DB는 가이드라인 업데이트 주기에 맞춰 정기적으로 재색인해야 한다