이 게시물은 엑셀 같은 표 데이터를 AI 에이전트가 잘 이해하고 질의할 수 있게 하는 방법을 정리한 내용입니다. LLM이 표를 이해하기 어려운 이유를 선형화 과정에서의 귀납 편향(근접성, 인과성)으로 설명합니다. RAG만으로 표를 처리할 때는 청킹·임베딩 전처리에서 행이 의미 단위로 잘 분리되지 않거나, 벡터 유사도 검색으로는 “최댓값/조건 조합/멀티-홉” 질의를 안정적으로 찾기 어렵다고 말합니다. Text-to-SQL은 가능하지만 상품명·색상처럼 표현이 다양한 실제 데이터에서는 SQL 단독으로는 한계가 있음을 제시합니다. 해결책으로 RAG의 벡터 검색과 SQL의 필터링·정렬을 혼합한 Table Agent 아이디어를 제안합니다. 정확한 이름 탐색을 위해 벡터 데이터베이스 인덱스를 ‘행’이 아니라 ‘셀’ 단위로 구성하고, 필요한 열만 LLM으로 선별하며, 긴 셀은 청킹 후 임베딩하여 적재합니다. 에이전트는 Tool Calling으로 벡터검색→SQL 쿼리 작성 및 루프를 수행하고, ReAct 프롬프팅, 남은 턴 수 명시, 에러 핸들링 같은 개선을 통해 성능과 안정성을 높입니다.