참고
Foundry IQ (Azure AI 검색)는 관리 검색을 위해 고급 수준의 지식 원본 API 및 지식 베이스 API와 함께 직접 인덱싱 및 쿼리 API를 제공합니다. Azure 포털, REST API 또는 Azure SDK 사용하여 이러한 기능을 구성하거나 Microsoft Foundry 포털의 기술 자료에 에이전트를 연결합니다.
Important
이 문서에서 (미리 보기)로 표시된 기능 또는 성능은 공개 미리 보기로 제공되며 Microsoft Azure 미리 보기에 대한 추가 사용 약관의 적용을 받습니다.
Foundry IQ(Azure AI 검색)와 관련된 미리 보기 약관은 미리 보기 기능을 참조하세요.
foundry IQ(Azure AI 검색)에서 에이전트 검색은 채팅 및 부조종사 앱에서 사용자 또는 에이전트가 제기한 복잡한 질문을 위해 설계된 다중 쿼리 파이프라인입니다. RAG( 검색 보강 생성 ) 패턴 및 에이전트 간 워크플로를 위한 것입니다.
에이전트형 검색이 하는 일은 다음과 같습니다:
LLM 기반 쿼리 계획을 사용하여 복잡한 쿼리를 더 작고 집중된 하위 쿼리로 분할하여 독점 및 외부 콘텐츠에서 더 나은 범위를 적용할 수 있습니다. 쿼리 계획은 추가 컨텍스트에 채팅 기록을 사용할 수 있습니다.
하위 쿼리를 병렬로 실행합니다. 각 하위 쿼리는 의미적으로 재정렬되어 가장 관련성이 높은 일치 항목을 우선시합니다.
최상의 결과를 LLM이 근거 있는 답변을 생성하는 데 사용할 수 있는 하나의 통합된 응답으로 결합합니다.
병합된 콘텐츠와 함께 원본 참조 및 활동 로그를 반환할 수 있으므로 접지 데이터만 사용하거나 전체 답변을 위해 LLM에 전달할 수 있습니다.
이 고성능 파이프라인을 사용하면 복잡한 질문에 신속하게 답변할 수 있는 기능을 통해 채팅 애플리케이션에 대한 고품질 접지 데이터 또는 답변을 생성할 수 있습니다.
에이전트 검색을 사용하는 이유는 무엇인가요?
Foundry IQ 는 에이전트 및 앱에 대한 관리되는 에이전트 검색 환경과 사용자 지정 에이전트 검색 환경을 모두 지원합니다. Microsoft Foundry 포털에서 기술 자료를 사용합니다. Azure 포털, Search Service REST API 또는 지원되는 Azure SDK 통해 동일한 검색 기능에 액세스합니다.
에이전트와 앱이 채팅 컨텍스트, 보유한 독점 콘텐츠, 외부 소스를 활용해 더 복잡한 질문에 답하는 데 가장 관련성 높은 콘텐츠를 제공하려는 경우 에이전트형 검색을 사용하세요.
에이전트 검색은 단일 쿼리 파이프라인에 비해 대기 시간을 추가하지만 단일 쿼리에서 수행할 수 없는 쿼리 복잡성을 처리합니다. 예를 들어 다음을 처리할 수 있습니다.
"해변 근처에 있고, 공항 교통편을 제공하며, 채식 식당까지 도보 거리인 호텔을 찾아줘"와 같이 여러 요청이 담긴 질문.
대화의 이전 컨텍스트에 따라 달라지는 질문입니다.
동의어 맵과 LLM이 생성한 바꿔쓰기 표현을 사용해 다시 작성함으로써 콘텐츠 전반에 걸쳐 적용 범위를 넓힐 수 있는 쿼리.
맞춤법 오류입니다.
아키텍처 및 워크플로
에이전트 검색 프로세스는 다음과 같이 작동합니다.
워크플로 시작: 애플리케이션은 쿼리 및 대화 기록을 제공하는 검색 작업을 사용하여 기술 자료를 호출합니다.
쿼리 계획:
lowmedium구성된 LLM은 쿼리를 계획하고 원본을 선택합니다. 일반minimal은 모델 기반 계획을 우회하고 모든 후보 원본을 검색합니다. 범용 기본값을 가정하지 않고 기술 자료 또는 요청에 대해 명시적으로 노력을 설정합니다. 11월 미리 보기 Microsoft 리트리버 1 경로에는 별도의 동작이 있습니다.쿼리 실행: 지식 베이스는 하위 쿼리를 지식 소스로 보냅니다. 모든 하위 쿼리는 동시에 실행되며 키워드, 벡터 또는 하이브리드 검색일 수 있습니다. 각 하위 쿼리는 의미 체계 재전송을 거쳐 가장 관련성이 큰 일치 항목을 찾습니다. 참조는 인용을 위해 추출 및 보존됩니다.
결과 합성: 시스템은 보존된 결과를 추출형 콘텐츠 또는 모델이 합성한 답변으로 결합합니다. 응답 합성에는 계획 수립 노력과는 별개로 모델이 필요합니다. 원본 참조 및 실행 활동 로그는 선택 사항입니다.
Components
모든 에이전트 검색 시나리오의 경우 기술 자료와 하나 이상의 기술 원본이 필요합니다. 다른 구성 요소는 선택 사항이며 구성에 따라 달라집니다.
| 구성 요소 | 서비스 | 역할 |
|---|---|---|
| 지식베이스 | Foundry IQ | 파이프라인을 오케스트레이션하여 지식 원본 및 쿼리 매개 변수를 관리합니다. |
| 지식 출처 | Foundry IQ | 파이프라인에 사용되는 콘텐츠를 정의합니다. 인덱싱될 수 있으며(사용자 서비스의 검색 인덱스를 기반으로 함), 또는 원격일 수 있습니다(외부 플랫폼에서 쿼리 시점에 콘텐츠를 검색해 가져옴). |
| 검색 인덱스 | Foundry IQ | 의미 체계 구성을 사용하여 검색 가능한 콘텐츠(텍스트 및 벡터)를 저장합니다. 실행되는 쿼리 형식과 적용되는 최적화를 결정합니다. 인덱싱된 기술 원본에만 필요합니다. |
| 의미 순위매기기 | Foundry IQ | 에이전트형 검색 파이프라인에서 관련성에 따라 결과의 순위를 다시 매기는 데 내부적으로 사용됩니다(L2 재순위화). |
| LLM (법학석사) | Azure OpenAI | 쿼리를 계획하고, 지식 소스를 선택하고, 웹 결과를 요약하고, 인용으로 뒷받침되는 답변을 생성할 수 있습니다. 기존 검색 인덱스 또는 파일 원본에서의 일반적인 최소한의 추출에는 채팅 모델이 필요하지 않습니다. |
통합 요구 사항
애플리케이션은 기술 자료를 호출하고 응답을 처리하여 파이프라인을 구동합니다. 파이프라인은 응답 생성을 위해 LLM에 전달하거나 대화 인터페이스에서 직접 사용할 수 있는 접지 데이터를 반환합니다. 구현 세부 정보는 자습서: 엔드 투 엔드 에이전트 검색 솔루션 빌드를 참조하세요.
기능 가용성
에이전트형 검색은 정식 출시 기능과 미리 보기 기능을 모두 지원합니다. 에이전트 검색 환경과 일치하는 Search Service REST API 버전을 선택합니다.
GA REST 계약에 사용
2026-10-01: 최소, 낮음 및 중간 작업; 모델 기반 계획 및 답변 합성; 인용; SSE; 요청당 소스 제어 및 제한; 활동 경고; 및 KB CORS.미리 보기 전용 기능에는 이를 지원하는 미리 보기 API를 사용하세요.
2026-11-01-preview는 Microsoft Retriever 1, 이름이 지정된 KB 도구, 추가 GPT-6 모델 식별자 및 비동기 파일 인제스트를 추가합니다.auto, 검색 기본값, 쿼리 힌트 및 결과 처리 컨트롤은2026-10-01에 포함되지 않습니다.기존
2026-04-01예제는 더 좁은 최소 추출형 계약을 유지합니다. 기존 SDK 및 포털 워크플로에는 고유한 버전 경계가 있습니다. GA REST 계약은 모든 클라이언트 또는 수집 기능에 대해 패리티를 설정하지 않습니다.
GA 지식 베이스 만들기 및 검색부터 시작합니다. 기존 정의를 다른 계약으로 이동하기 전에 버전별 마이그레이션 변경 내용을 검토하세요.
지역 가용성, 제한 및 청구
에이전트 검색을 사용하기 전에 해당 지역 가용성, 서비스 제한 및 청구 모델을 검토합니다.
지역 가용성
에이전트 검색은 일부 지역에서 사용할 수 있습니다.
Limits
지식 소스 및 지식 베이스에는 요금제 등급과 검색 추론 수준에 따라 달라지는 최대 한도가 있습니다.
결제
에이전트 검색에는 다음 청구 구성 요소가 포함될 수 있습니다.
Foundry IQ 는 하위 쿼리 실행 및 의미 체계 순위 중에 사용되는 검색 토큰에 대해 요금을 청구합니다. 무료 플랜(기본값)은 월별 토큰 허용량을 제공합니다. 표준 요금제는 무료 수당을 사용한 후 종량제 가격을 사용하도록 설정합니다. 자세한 내용은 에이전트릭 리트리벌 청구 사용 설정 또는 해제를 참조하세요.
Azure OpenAI는 LLM 기반 쿼리 계획 및 응답 합성에 사용되는 입력 및 출력 토큰에 대해 요금을 청구합니다. 가격 책정은 종량제이며 기술 자료에 할당하는 모델을 기반으로 합니다. 요금은 Azure OpenAI 청구서에 표시됩니다. 요금은 Azure OpenAI 가격 책정 참조하세요.
Microsoft 리트리버 1(미리 보기) 사용량은 쿼리 계획 중에 처리되는 입력 토큰으로 측정됩니다. 입력에는 사용자의 질문과 후속 계획 중에 이전 쿼리 및 모델로 다시 전송된 문서 증거가 포함됩니다. 재시도 및 후속 계획 라운드는 입력 토큰을 추가합니다. 출력 토큰은 무료입니다. 이 사용은 Foundry IQ 검색 토큰 및 Azure OpenAI 요금과는 별개입니다. 자세한 내용은 Microsoft 리트리버 1 사용을 참조하세요.
다음 표에서는 클래식 단일 쿼리 파이프라인과 에이전트 검색 다중 쿼리 파이프라인 간의 청구를 비교합니다. 클래식 파이프라인에서 청구 가능한 구성 요소는 semantic ranker입니다. 테이블은 Microsoft Retriever 1, Azure OpenAI 및 기타 서비스 요금을 제외합니다.
| 특성 | 클래식 파이프라인 | 에이전트 검색 |
|---|---|---|
| 단위 | 쿼리 기반 | 토큰 기반 |
| 단위당 비용 | 쿼리당 균일한 비용 | 토큰당 가변 비용(추론 노력에 따라 다름) |
| 비용 예측 | 쿼리 수 예측 | 토큰 사용량 예측 |
| 무료 수당 | 월별 무료 쿼리 허용 | 월별 무료 토큰 허용 |
예: 비용 예측
이 예제는 쿼리 계획 및 쿼리 실행에 대한 비용 예측 프로세스를 보여 주지만 응답 합성에는 도움이 되지 않습니다. 비용은 더 낮을 수 있습니다. 현재 요금은 Foundry IQ 가격 책정과 Azure OpenAI 가격 책정을 참조하세요.
백만 토큰당 기호 요금을 사용합니다.
-
R_search: Foundry IQ 검색 및 재전송 토큰 속도입니다. -
R_input및R_output: 선택한 Azure OpenAI 모델의 입력 및 출력 토큰 속도입니다. -
R_retriever: 게시된 요율을 사용할 수 있는 경우 Microsoft Retriever 1 입력 토큰 요율입니다.
가격 책정 링크에서 현재 게시된 요금을 제공하세요. Microsoft Retriever 1 가격 책정 업데이트는 Microsoft Retriever 1 사용을 참조하세요.
쿼리 계획 비용을 Azure OpenAI에서 종량제로 예측하려면 다음을 가정합니다gpt-4o-mini.
- 평균적인 채팅 대화 크기에는 2,000개의 입력 토큰이 사용됩니다.
- 출력 계획의 평균 크기에 대해 350개의 토큰을 사용합니다.
쿼리 실행에 대한 예상 청구 비용
에이전트 검색 토큰 수를 예측하려면 먼저 인덱스의 평균 문서가 어떻게 표시되는지 파악합니다. 예를 들어 근사치를 구할 수 있습니다.
- 10,000개의 청크- 각 청크는 PDF의 1~2개 단락입니다.
- 청크당 500개의 토큰.
- 각 하위 쿼리는 최대 50개의 청크를 다시 랭킹합니다.
- 평균적으로 쿼리 계획당 세 개의 하위 쿼리가 있습니다.
실행 가격 계산
계획당 세 개의 하위 쿼리를 사용하여 2,000개의 에이전트 검색을 만든다고 가정합니다. 이를 통해 총 쿼리는 약 6,000개입니다.
하위 쿼리당 50개의 청크를 재정렬합니다 (총 청크 300,000개).
평균 청크는 500개의 토큰이므로 재전송을 위한 총 토큰은 1억 5천만 개입니다.
1억 5천만 개의 리랭킹 토큰에 백만 개당 요금을 곱하여
150 × R_search를 구합니다.쿼리 계획 수립의 경우 2,000개의 입력 토큰에 2,000개의 에이전트형 검색을 곱합니다. 400만 개의 입력 토큰 비용은
4 × R_input입니다.출력의 경우 350개의 토큰에 2,000개의 agentic retrieval를 곱합니다. 700,000개의 출력 토큰 비용은
0.7 × R_output입니다.
이 예제에서는 Azure OpenAI 쿼리 계획 비용은 4 × R_input + 0.7 × R_output입니다. Foundry IQ 검색 및 재순위 지정을 포함하여 결합된 비용은 150 × R_search + 4 × R_input + 0.7 × R_output. 응답 합성 요금은 별개입니다.
Microsoft Retriever 1 쿼리 계획에 대한 예상 비용
이제 Microsoft Retriever 1이 gpt-4o-mini 대신 쿼리를 계획한다고 가정합니다. 동일한 2,000개의 에이전틱 검색 및 다음 가정을 사용합니다.
- 출력 토큰에 대한 요금이 부과되지 않습니다.
- 에이전트 검색당 입력 토큰 10,000개. 이 가상 평균에는 후속 계획 중에 재생된 대화와 이전의 모든 쿼리 및 문서 증거가 포함됩니다.
10,000개의 입력 토큰을 2,000개 에이전트 검색에 곱하여 2천만 개의 입력 토큰을 가져옵니다. 게시된 요금을 사용할 수 있는 경우 계획 비용은
20 × R_retriever입니다.출력 토큰은 무료이므로 출력 토큰 요금이 없습니다.
검색 토큰은 별도로 청구되므로 Foundry IQ 리랭킹 비용은
150 × R_search로 유지됩니다.
이 시나리오의 결합 비용은 150 × R_search + 20 × R_retriever입니다. Microsoft Retriever 1이 이 시나리오에서 계획을 처리하므로 Azure OpenAI 쿼리 계획 비용을 추가하지 마세요. 응답 합성 또는 외부 에스컬레이션을 위해 Azure OpenAI를 호출하는 경우 해당 요금을 별도로 추가합니다.
비용 제어를 위한 팁
응답에서 활동 로그를 검토하여 사용된 원본 및 매개 변수에 대해 실행된 쿼리를 확인합니다. 인덱스에 대해 해당 쿼리를 다시 실행하고 공용 토큰 변환기를 사용하여 토큰을 예측하고 API에서 보고한 사용량과 비교할 수 있습니다. 그러나 쿼리 또는 응답을 정확하게 재구성하지 못할 수 있습니다. 예를 들어 지식 원본 유형은 쿼리를 재현할 수 있는지 여부에 영향을 줄 수 있습니다. 사용자의 ID에 따라 달라지는 공용 웹 데이터 및 원격 SharePoint 지식 원본이 두 가지 예입니다.
지식 원본(인덱스) 수를 줄입니다. 콘텐츠를 통합하면 더 적은 수의 정보 소스가 쿼리되고 더 적은 토큰이 사용됩니다.
쿼리 계획 및 쿼리 확장(반복 검색)을 수행하는 동안 LLM 사용량을 줄이기 위한 추론 노력을 낮춥니다.
더 적은 수의 원본 및 문서(예: 큐레이팅된 요약 또는 테이블)로 가장 관련성이 큰 정보를 찾을 수 있도록 콘텐츠를 구성합니다.
Microsoft Retriever 1을 사용하는 경우 계획 중에 처리하는 문서 근거 자료를 줄입니다. 재시도 및 후속 계획 라운드는 입력 토큰 수를 늘리므로 사용량을 추정할 때 이를 포함해 계산하세요.
시작하는 방법
에이전트 검색 솔루션을 만들려면 Azure 포털, Microsoft Foundry(새) 포털, REST API 또는 동등한 Azure SDK 패키지를 사용할 수 있습니다.
- 빠른 시작: Azure 포털의 에이전틱 검색
- 빠른 시작: 에이전트 검색(C#, Java, JavaScript, Python, TypeScript, REST)