---
tags: [AI-Agent, RAG]
---

# Grounding

> 모델의 답변을 검색된 실제 근거(출처)에 묶어, 사실에 기반하고 검증 가능하게 만드는 원칙.

## 핵심 개념

LLM은 파라미터에 저장된 지식만으로 그럴듯하지만 틀린 답을 만들어내곤 한다(환각, [[Hallucination Detection]]). **그라운딩**은 답변이 모델의 상상이 아니라 **제공된 컨텍스트(검색 문서)에 근거**하도록 강제하는 것이다. RAG의 존재 이유 자체가 그라운딩이다.

핵심 명제: "검색된 문서에 없는 내용은 답하지 말 것. 답할 때는 출처를 밝힐 것."

## 동작 원리

1. 검색([[Hybrid Retrieval]], [[Re-ranking]])으로 관련 청크를 모은다.
2. 프롬프트에 "제공된 컨텍스트만 사용해 답하고, 근거가 없으면 모른다고 답하라"는 지시를 넣는다.
3. 모델이 답변과 함께 **인용(citation)** 을 출력하도록 한다(청크 ID, 문서 제목, 페이지 등).
4. 출처를 사용자에게 노출하거나, 답변-근거 일치를 사후 검증한다.

## 그라운딩을 강화하는 기법

- **출처 메타데이터 보존**: [[Chunking]] 단계에서 문서명·섹션·URL을 청크에 함께 저장.
- **인용 강제 프롬프트**: 문장마다 `[1]`, `[2]` 형식의 근거 표기를 요구.
- **"모른다" 허용**: 근거가 없을 때 억지로 답하지 않도록 명시 → 환각 억제.
- **근거 검증(faithfulness 평가)**: 답변의 각 주장이 컨텍스트로 뒷받침되는지 자동 채점([[RAG Evaluation]]).

## 장점과 한계

- **장점**: 사실성·신뢰성·추적성 향상. 사용자가 출처를 직접 확인 가능. 규제 산업(법률·의료·금융)에서 필수.
- **한계**: 검색 품질에 전적으로 의존한다 — 잘못된 청크가 들어오면 "틀린 근거에 충실한" 답이 나온다. 인용이 실제 내용과 일치하는지는 별도 검증이 필요하다.

## 관련 노트

- [[Hallucination Detection]]
- [[RAG Evaluation]]
- [[Re-ranking]]
- [[Context Engineering]]
- [[Confidence Score]]
- [[Grounding]] (용어사전)