Query Memory

Query Memory란?

Query Memory는 문서 인텔리전스를 위한 플랫폼으로, 팀이 문서를 파싱하고 결과를 관리하며 단일 워크스페이스에서 AI 에이전트를 배포할 수 있도록 돕습니다. 핵심 목적은 추출된 정보를 조직하고 쿼리할 수 있도록 하여 AI 에이전트가 적합한 문서 정보에 안정적으로 접근할 수 있게 하는 것입니다.

문서 파싱과 에이전트 실행을 별개의 단계로 취급하는 대신, Query Memory는 이를 하나의 워크플로로 통합합니다. 이를 통해 팀은 문서 수집에서 에이전트 사용으로 이동할 때마다 동일한 데이터 액세스 레이어를 재구축할 필요가 없습니다.

실제로 이 플랫폼은 문서에서 파생된 정보를 조직하여 하위 에이전트 작업에 사용할 수 있도록 하며, 추출된 콘텐츠에 대한 쿼리 중심 액세스를 중점으로 합니다.

주요 기능

문서 파싱: 비정형 콘텐츠를 파싱하여 하위 작업에 사용할 수 있는 데이터로 변환합니다.
데이터 관리: 추출된 문서 데이터를 구조화된 방식으로 저장 및 관리하여 나중 쿼리와 에이전트 작업에 사용할 수 있게 합니다.
통합 워크스페이스: 파싱, 데이터 처리, 에이전트 배포를 단일 인터페이스/워크플로로 진행합니다.
AI 에이전트 배포: 저장된 문서 데이터를 활용해 에이전트 워크플로 중 정보 요구를 지원하는 AI 에이전트를 배포합니다.
쿼리 중심 액세스: 쿼리 가능한 정보 중심으로 문서 인텔리전스를 조직하여 에이전트가 응답이나 작업에 관련 문서 컨텍스트를 사용할 수 있게 합니다.

Query Memory 사용 방법

Query Memory의 일반적인 워크플로는 다음 단계를 따릅니다:

문서 파싱: 파싱할 문서를 제공하여 내용을 사용할 수 있는 데이터로 추출합니다.
추출 데이터 관리: 플랫폼 워크스페이스를 사용해 저장된 문서 정보를 검토하고 관리합니다.
에이전트 사용 설정: 관리된 문서 데이터를 사용할 수 있도록 AI 에이전트를 준비하거나 구성합니다.
배포 및 쿼리: 에이전트를 실행하여 작업 수행 중 문서 파생 정보를 액세스할 수 있게 합니다.

핵심 아이디어는 파싱, 데이터 관리, 에이전트 배포가 연결된 하나의 워크플로의 일부라는 점으로, 문서 컨텍스트가 에이전트 사용에 준비된 상태로 조직됩니다.

사용 사례

고객 지원 지식 기반: 지원 문서(정책, FAQ 등)를 파싱하고 관련 문서 컨텍스트를 사용해 고객 질문을 답변하는 에이전트를 배포합니다.
내부 연구 및 보고: 내부 문서를 수집하고 동료 쿼리에 응답할 때 정보를 검색 및 종합하는 에이전트를 배포합니다.
문서 기반 워크플로: 특정 소스에 액세스해야 하는 에이전트 주도 작업의 일관된 정보 기반으로 파싱된 문서 데이터를 사용합니다.
팀 지식 통합: 여러 문서 세트를 하나의 워크스페이스에 통합하여 에이전트가 흩어진 파일 대신 조직된 문서 인텔리전스를 활용할 수 있게 합니다.
개발자向け 문서 쿼리: 플랫폼의 파싱 및 데이터 관리 단계를 통해 생성된 쿼리 가능한 문서 인텔리전스를 기반으로 애플리케이션이나 에이전트 동작을 구축합니다.

자주 묻는 질문

Query Memory는 무엇을 하나요?

Query Memory는 문서를 파싱하고 추출 데이터를 관리하며 단일 워크스페이스에서 그 문서 인텔리전스를 사용할 수 있는 AI 에이전트 배포를 지원합니다.

AI 에이전트에 어떤 문제를 해결하나요?

문서를 쿼리 가능한 정보로 구조화된 방식으로 변환하여 에이전트가 원시 파일에만 의존하지 않고 관련 컨텍스트에 액세스할 수 있게 합니다.

파싱과 에이전트 배포를 위한 별도 도구가 필요하나요?

Query Memory는 문서 파싱, 데이터 관리, 에이전트 배포를 단일 워크스페이스 워크플로로 통합하도록 설계되어 동일한 데이터 액세스 레이어를 위한 별도 시스템 연결 필요성을 줄입니다.

문서 메모리를 사용해 에이전트가 수행할 수 있는 작업은?

저장된 문서 파생 데이터를 기반으로 정보 검색 및 응답 생성과 같은 문서 컨텍스트가 필요한 문서 기반 작업에 에이전트를 배포할 수 있습니다.

시작 방법은 어디서 배울 수 있나요?

제품의 설명된 워크플로(문서 파싱 → 추출 데이터 관리 → 에이전트 배포)를 따를 수 있습니다. 상세 단계는 일반적으로 제품의 온사이트 문서 및/또는 워크스페이스의 가이드 설정에 의존합니다.

대안

벡터 데이터베이스 + 문서 수집 파이프라인을 사용한 RAG (Retrieval-Augmented Generation): 문서를 청크로 나누고 인덱싱한 후 에이전트가 관련 구절을 검색해 응답에 사용하는 대안 접근 방식.
AI 검색 레이어를 갖춘 문서 관리 시스템: 쿼리/검색 기능을 가진 중앙화된 문서 저장소와 그 결과를 참조하는 에이전트를 사용.
커스텀 문서 파싱/데이터 연결을 사용한 에이전트 프레임워크: 통합 워크스페이스가 아닌 자체 파싱 및 데이터 액세스 레이어 위에 에이전트 동작을 구축하는 대안 접근 방식.
구조화된 지식 소스를 사용한 지식 베이스 도구: 에이전트가 쿼리할 수 있는 진실의 원천으로 큐레이션된 지식 베이스(예: 위키 또는 지원 지식 베이스)를 사용.