이 게시물은 Amazon OpenSearch가 키워드/벡터 검색을 넘어 에이전틱 AI를 곁들인 ‘Agentic Search’로 진화하는 흐름을 정리한 글입니다. 검색 패러다임을 어휘→의미→하이브리드→에이전틱 4단계로 구분해 각 방식의 핵심 기술(BM25, Vector Search, LLM/RAG/Tool Calling)과 장단점을 요약합니다. 운영 간소화와 비용 최적화를 위해 Cluster Insights, Derived Source를 소개하고 스토리지 최대 40% 절감 및 인덱싱/머지 속도 약 20% 향상을 언급합니다. 대규모 벡터(1조 개) 시대를 위해 계층형 스토리지(Exact KNN, In-Memory, Disk Mode, S3)로 메모리 비용과 성능/지연을 균형 조정합니다. GPU 인덱스 가속을 위해 NVIDIA cuVS를 도입해 인덱스 빌드 최대 10배 향상, 빌드 비용 4분의 1 수준 절감을 설명합니다. 에이전틱 검색의 핵심 요소로 MCP(Model Context Protocol), Agentic Memory, 클러스터 내 로컬 전문화 에이전트(Flow/Conversational/Plan-Execute-Reflect)를 제시합니다.