AI for Everyone

SEARCH RESULTS

“검색”

40건

검색 증강 생성

AI 활용 기법 분야에서 쓰이는 Retrieval-Augmented Generation(검색 증강 생성)의 약자로, 답변하기 전에 외부 자료를 찾아 근거 문서를 같이 읽고 답하도록 한 기법입니다.

에이전틱 랙

AI 트렌드 분야에서 쓰이는 Agentic Retrieval-Augmented Generation(에이전트형 검색 증강 생성)의 약자로, 검색과 생성 사이에 스스로 판단하는 에이전트를 끼운 구조입니다. 2025년 1월 서베이 논문은 반성·계획·도구 사용·다중 에이전트 협업 패턴을 파이프라인에 넣어 검색 전략을 상황에 맞게 바꾸는 방식으로 정의합니다. 기존 RAG가 질문 한 번에 검색 한 번이라면, 에이전틱 RAG는 질문을 쪼개고 결과를 본 뒤 다시 검색합니다. 정확도는 오르지만 지연 시간과 토큰 비용이 함께 늘어납니다.

Dify는 LLM 앱과 에이전트, RAG 파이프라인을 시각적 워크플로 편집기로 만들고 배포하고 관측하는 오픈소스 플랫폼입니다. 프롬프트 작성, 모델 연결, 문서 검색, 도구 호출을 캔버스 위 노드로 조립한 뒤 웹 앱이나 API로 공개합니다 [1][3]. 실행 로그와 성능을 모니터링하는 LLMOps 기능도 함께 들어 있습니다 [1]. Docker Compose로 자체 서버에 셀프 호스팅할 수 있습니다 [1]. 라이선스는 순수 Apache 2.0이 아니라 멀티테넌트 운영 금지와 로고 제거 금지 조건이 덧붙은 수정본입니다 [2].

자동화·노코드

비엠 이십오

정보 검색 분야에서 쓰이는 Best Matching 25(베스트 매칭 25)의 약자로, 질의어와 문서의 단어 일치도를 점수로 매기는 키워드 기반 랭킹 함수입니다. 1970년대와 1980년대에 Robertson과 Spärck Jones 등이 세운 확률적 검색 모델을 잇는 TF-IDF 계열 기법입니다 [1]. 문서 길이 정규화를 맡는 b와 용어 빈도 포화를 맡는 k1, 두 파라미터가 점수를 조절합니다 [3]. Apache Lucene과 Elasticsearch, OpenSearch가 기본 스코어링으로 채택했습니다 [2]. RAG의 하이브리드 검색에서는 의미 기반 벡터 검색과 짝을 이룹니다 [4].

에이치엔에스더블유

벡터 검색 분야에서 쓰이는 Hierarchical Navigable Small World(계층적 탐색 가능 소세계 그래프)의 약자로, 근사 최근접 이웃(ANN) 탐색에 쓰는 그래프 인덱스입니다. 벡터를 여러 층의 근접 그래프로 쌓고 위층에서 탐색 시작점을 좁혀 내려가는 구조이며, 원 논문은 로그 수준의 복잡도 확장을 보고했습니다 [1]. 정확도와 속도의 균형은 M, efConstruction, efSearch 값으로 조절합니다 [1]. 그래프와 벡터를 메모리에 올려 두는 방식이라 메모리 사용량이 큽니다 [7].

에이아이 모드

구글 검색에 들어온 대화형 AI 검색 기능입니다. 제미나이의 맞춤 버전을 기반으로 복잡한 질문을 한 번에 처리하고 후속 질문을 이어갈 수 있으며, 하나의 질문을 여러 검색으로 나눠 돌리는 쿼리 팬아웃 기술을 씁니다. 요약을 보여 주는 AI 오버뷰보다 한 단계 더 들어간 형태입니다. 2025년 9월 한국어 서비스가 시작됐고, 2026년 2분기 실적 발표 기준 월 사용자 10억 명을 넘어섰습니다.

모델·서비스

에이아이 오버뷰

구글 검색 결과 상단에 AI가 생성한 요약 답변을 먼저 보여 주는 기능입니다. 제미나이 모델이 여러 웹문서를 종합해 핵심을 제시하고 출처 링크를 함께 표시합니다. 2024년 5월 미국에서 정식 출시됐고, 같은 해 12월 한국어 서비스가 시작됐습니다. 2025년 2분기 실적 발표 기준 월 사용자 20억 명 규모입니다. AI 요약이 뜨면 이용자가 아래 링크를 누르는 비율이 낮아진다는 조사도 있어, 검색 유입에 의존해 온 콘텐츠·마케팅 실무에 직접 영향을 주는 변화로 꼽힙니다.

모델·서비스

에이아이 슬롭

요청하지도, 검수하지도 않은 저품질 AI 생성 콘텐츠가 대량으로 쏟아지는 현상, 또는 그런 콘텐츠 자체를 가리키는 말입니다. 영어에서 가축 여물이나 음식 찌꺼기를 뜻하는 slop에서 왔습니다. 2024년 개발자 사이먼 윌리슨이 '요청되지 않고 검토되지 않은 AI 콘텐츠'라는 정의로 확산시켰고, 메리엄-웹스터가 2025년 올해의 단어로 선정할 만큼 일반 용어가 됐습니다. 검색 결과·SNS 피드·음원 플랫폼의 품질 저하 문제와 함께 논의됩니다.

에이전틱 커머스

Agentic Commerce

AI 에이전트가 소비자를 대신해 상품을 찾고 비교하고 결제까지 마치는 상거래 방식을 가리키는 용어입니다. 2025년 하반기 OpenAI가 챗GPT 안 결제 기능인 인스턴트 체크아웃과 공개 표준 ACP(Agentic Commerce Protocol)를 내놓고, 구글이 결제 프로토콜 AP2를 발표하면서 흐름이 본격화됐습니다. 비자·마스터카드도 에이전트 결제 인프라를 공개하며 표준 경쟁이 시작됐습니다. 검색·광고 중심의 이커머스 구조를 바꿀 수 있어 유통·결제 업계가 주시하는 개념입니다.

그래프래그

검색 증강 생성 분야에서 쓰이는 Graph Retrieval-Augmented Generation(그래프 기반 검색 증강 생성)의 약자로, 문서에서 LLM으로 개체와 관계를 뽑아 지식그래프를 만들고 이를 검색에 활용하는 RAG 방식입니다. 비슷한 개체끼리 묶은 군집(커뮤니티)별 요약을 미리 만들어 두기 때문에, 문서 전체를 관통하는 '이 데이터의 주요 주제는 무엇인가' 같은 전역 질문에 강합니다. Microsoft Research가 2024년 논문과 오픈소스로 공개하며 확산했습니다.

하이퍼클로바 엑스

네이버가 개발한 한국어 중심 대형 언어 모델(LLM) 계열이자 이를 기반으로 한 생성형 AI 브랜드입니다. 2023년 8월 공개 이후 검색(AI 브리핑), 대화형 서비스(클로바 X), 기업용 클라우드 API로 확장됐고, 2025년에는 경량 모델 3종(SEED)을 상업용 오픈소스로, 추론 특화 모델 씽크(THINK)를 순차 공개했습니다. 한국어 데이터 비중이 높아 국내 언어·문화 맥락 이해에 강점이 있으며, 네이버 소버린 AI 전략의 핵심 자산입니다.

모델·서비스

컨텍스트 엔지니어링

Context Engineering

AI 엔지니어링 분야에서 쓰이는 용어로, LLM(대형 언어 모델)이 한 번에 읽는 컨텍스트 윈도우 안에 어떤 정보를 어떤 순서와 형태로 넣을지 설계하고 관리하는 기법입니다. 지시문뿐 아니라 도구 목록, 검색된 문서, 과거 대화 기록, 작업 메모까지 모델이 참고하는 모든 입력을 하나의 예산으로 보고 최적 구성을 찾습니다. 질문 문장을 다듬는 프롬프트 엔지니어링을 포괄하는 상위 개념으로, 2025년 이후 AI 에이전트 설계의 핵심 역량으로 자리 잡았습니다.

프롬프트·AI 활용

AI 서비스 분야에서 쓰이는 용어로, 챗봇이 즉답하는 대신 수 분에서 수십 분간 수십~수백 개의 웹 문서를 스스로 검색·열람·교차검증한 뒤 출처를 단 보고서 형태로 결과를 내놓는 에이전트형 조사 기능을 가리킵니다. 2024년 12월 구글 제미나이가 처음 선보였고, 2025년 2월 OpenAI가 같은 이름의 기능을 내놓으며 업계 공통 명칭처럼 굳었습니다. 추론 모델이 조사 계획을 세우고 검색 도구를 반복 호출하는 구조로, 시장조사·경쟁분석·문헌조사 같은 사무 업무에 쓰입니다.

모델·서비스

LLM Observability

LLM 옵저버빌리티

개발 분야에서 쓰이는 LLM observability(대규모 언어모델 관측가능성)의 약자로, LLM 애플리케이션의 내부 상태를 그 출력으로 추적·이해·분석하는 체계입니다. 모델에 들어간 프롬프트, 나온 응답, 토큰 사용량, 지연, 비용, 그리고 중간의 검색·도구 호출을 트레이스 단위로 기록합니다. AI는 같은 입력에도 다른 답을 내는 비결정적 특성이 있어, 관측 도구 없이 디버깅하면 추측에 가까워집니다. 그래서 서비스에 올린 뒤 왜 이 답이 나왔는지 되짚고 품질을 감시하는 개발 공정으로 자리 잡았습니다.

AI 개발도구

데이터·DB 분야에서 쓰이는 용어로, 생성형 AI의 답변을 검증 가능한 외부 근거에 묶어 사실과 어긋나지 않게 만드는 기법입니다. Google 공식 문서는 모델에 특정 데이터 출처를 연결하면 답이 그 데이터에 매이면서 내용을 지어낼 가능성이 줄어든다고 설명합니다. 그라운딩은 상위 개념이고, 외부 지식베이스에서 근거 문서를 찾아 붙이는 검색 증강 생성(RAG)은 그라운딩을 구현하는 대표 기법입니다. 답에 출처 링크를 달아 나중에 근거를 되짚을 수 있게 하는 감사가능성도 함께 제공합니다.

Knowledge Graph

널리지 그래프

현실의 개체(사람·장소·상품 등)를 점(노드)으로, 개체 사이의 관계를 선(엣지)으로 표현해 지식을 그물망 구조로 저장하는 방식입니다. '문자열이 아니라 사물'을 다루므로, 흩어진 데이터를 관계로 연결해 추론과 검색에 씁니다. 관계를 따라가며 여러 단계 떨어진 사실도 한 번에 찾을 수 있습니다. 검색엔진의 개체 정보 카드, 추천, 그리고 최근에는 LLM의 근거 데이터(GraphRAG)로 활용됩니다.

하이브리드 서치

키워드 기반 검색(BM25 같은 어휘 일치)과 의미 기반 벡터 검색을 함께 돌린 뒤, 두 결과를 하나의 순위로 합치는 검색 방식입니다. 정확한 단어·상품코드에 강한 키워드 검색과 동의어·자연어에 강한 벡터 검색의 약점을 서로 메웁니다. 두 점수를 합칠 때는 상호 순위 융합(RRF) 같은 방법을 씁니다. 오타·전문용어·자연어 질문이 섞여도 놓치지 않아, RAG와 상품 검색의 기본 구성으로 자리 잡았습니다.

검색이 1차로 넉넉히 뽑아 온 후보 문서를, 질문과의 관련도를 더 정교하게 다시 계산해 순서를 매기는 2차 정렬 단계입니다. 보통 질문과 문서를 한 쌍으로 함께 읽는 교차 인코더(cross-encoder)를 써서, 빠르지만 거친 1차 검색의 순위를 바로잡습니다. 계산이 무거워 전체가 아니라 상위 후보 수십 개에만 적용합니다. RAG에서 상위 몇 개만 LLM에 넘길 때 정답 문서를 위로 끌어올리는 역할을 합니다.

Semantic Search

시맨틱 서치

단어의 철자 일치가 아니라 문장의 '의미'로 문서를 찾는 검색 방식입니다. 질문과 문서를 각각 벡터(임베딩)로 바꾼 뒤, 벡터 사이 거리가 가까운 것을 관련 있는 결과로 봅니다. 그래서 검색어와 겹치는 단어가 하나도 없어도 뜻이 통하면 찾아냅니다. 동의어·자연어 질문·오타에 강해 키워드 검색의 한계를 보완합니다. 문장 임베딩 기법과 벡터 데이터베이스가 발전하면서 실용화됐고, 지금은 RAG의 기본 검색 방식으로 쓰입니다.

긴 문서를 검색·임베딩에 알맞은 크기의 조각으로 잘라 나누는 전처리 작업입니다. RAG에서 원문을 통째로 넣을 수 없으므로, 문단·문장·토큰 단위로 나눠 각 조각을 벡터로 저장합니다. 너무 크게 자르면 관련 없는 내용이 섞이고, 너무 잘게 자르면 앞뒤 문맥이 끊깁니다. 조각 크기와 겹침(overlap) 설정이 검색 정확도를 좌우해, RAG 품질의 첫 단추로 꼽힙니다.

마케팅·검색 분야에서 쓰이는 Large Language Model Optimization(거대 언어 모델 최적화)의 약자로, ChatGPT·Perplexity 같은 AI 답변에 자신의 브랜드·콘텐츠가 인용되도록 만드는 마케팅 기법입니다.

비즈니스·마케팅

AI 활용 분야에서 쓰이는 용어로, 키워드 일치 대신 LLM(Large Language Model, 거대 언어 모델)이 질문 의도를 이해하고 웹·문서를 검색해 출처와 함께 답변을 정리해 보여주는 새로운 검색 방식입니다.

비즈니스·마케팅

AI 활용 분야에서 OpenAI가 2024년 10월에 공개한 ChatGPT 내장 웹 검색 기능으로, 사용자가 질문하면 실시간 웹 결과를 가져와 출처와 함께 자연어로 답해주는 검색 모드입니다.

비즈니스·마케팅

마케팅·검색 분야에서 쓰이는 용어로, AEO(Answer Engine Optimization, 답변 엔진 최적화)의 약자로, ChatGPT·Perplexity 같은 AI 답변 엔진이 자신의 콘텐츠를 인용·요약 후보로 선택하도록 만드는 최적화 기법입니다.

비즈니스·마케팅

마케팅·검색 분야에서 쓰이는 용어로, GEO(Generative Engine Optimization, 생성형 검색 최적화)의 약자로, Google AI Overview·Bing Copilot 같은 생성형 검색 결과에 자신의 콘텐츠가 인용되도록 만드는 최적화 기법입니다.

비즈니스·마케팅

Search Engine Optimization의 약자로, 구글·네이버 같은 검색 엔진에서 자사 사이트가 상위에 노출되도록 콘텐츠·기술 구조를 최적화하는 일이며 1990년대 후반 미국 IT 산업에서 시작된 디지털 마케팅의 기본 분야입니다.

비즈니스·마케팅

프롬프트 라이브러리

AI 활용 분야에서 쓰이는 용어로, 자주 쓰는 프롬프트를 카드 형태로 모아 두고 팀원이 검색·재사용·버전 관리할 수 있게 한 저장소를 가리키며, Anthropic Prompt Library가 대표적입니다.

프롬프트·AI 활용

데이터베이스·검색 엔진에서 원하는 정보를 찾기 위해 보내는 '질문'으로, SQL 한 줄·Google 검색어·API 호출 모두 쿼리의 한 형태입니다.

AI 인프라 분야에서 쓰이는 용어로, 오픈소스 PostgreSQL에 임베딩 저장·유사도 검색 기능을 더해 주는 확장 모듈로, 기존 RDB에 곧바로 벡터 검색을 붙일 수 있어 운영 부담을 줄여 줍니다.

AI 인프라 분야에서 중국 Zilliz가 2019년에 공개한 오픈소스 벡터 데이터베이스로, 수십억 단위 임베딩을 분산 처리하도록 설계된 대규모 RAG·검색·추천 인프라입니다.

AI 인프라 분야에서 독일 Qdrant가 2021년에 공개한 오픈소스 벡터 데이터베이스로, Rust로 구현되어 고성능·고압축을 강점으로 RAG·검색·추천 시스템에 사용됩니다.

AI 인프라 분야에서 미국 Chroma가 2022년에 공개한 오픈소스 벡터 데이터베이스로, RAG 파이프라인이 임베딩을 저장·검색하는 핵심 인프라로 쓰이며 로컬 단일 파일부터 클라우드까지 동일 API로 동작합니다.

위비에이트

AI 인프라 분야에서 네덜란드 Weaviate가 2019년에 공개한 오픈소스 벡터 데이터베이스로, 임베딩과 키워드 검색을 한 번에 하이브리드 방식으로 수행하는 RAG 인프라입니다.

AI 인프라 분야에서 미국 Pinecone Systems가 2019년에 공개한 매니지드 벡터 데이터베이스로, RAG·추천·시맨틱 검색용 임베딩을 대규모로 저장·검색해 주는 클라우드 서비스입니다.

Vector Database

AI 인프라 분야에서 쓰이는 용어로, 임베딩 벡터를 저장하고 가장 가까운 의미를 가진 벡터들을 빠르게 찾아 주도록 만든 데이터베이스로, RAG·시맨틱 검색·추천에 폭넓게 쓰입니다.

포스트그레스

AI 인프라 분야에서 쓰이는 용어로, 1986년에 시작된 오픈소스 관계형 DB로, pgvector 확장과 함께 쓰면 RDB·벡터·문서 검색을 단일 시스템에서 처리할 수 있어 RAG 백엔드로 자주 채택됩니다.

라마인덱스

AI 개발도구 분야에서 Jerry Liu가 2022년에 공개한 오픈소스 RAG·문서 검색 프레임워크로, 사내 문서·웹·DB를 LLM이 읽을 수 있도록 인덱싱·청크·검색을 한 줄로 연결하게 해주는 도구입니다.

AI 개발도구

클로드 인 크롬

Claude in Chrome

AI 활용 분야에서 Anthropic이 공개한 Chrome 브라우저 확장 기능으로, Claude가 사용자가 열어둔 탭과 페이지에 직접 접근해 검색·요약·자동 입력 같은 작업을 대신 처리하도록 만든 도구입니다.

AI 개발도구

넥스트제이에스

미국 스타트업 Vercel이 만든 React 기반 웹 프레임워크로, 검색이 잘 되는 빠른 웹사이트와 AI 서비스 화면을 빠르게 만들 때 가장 많이 쓰이는 도구입니다.

퍼플렉시티

AI 활용 분야에서 2022년에 공개된 대화형 AI 검색 서비스로, LLM이 웹을 실시간으로 검색하고 근거 출처와 함께 한국어·영어로 답변을 정리해 보여줍니다.

모델·서비스

플레이북 3

케이스 스터디 투자은행 모건스탠리의 사내 지식 AI 도입 사례

모건스탠리가 리서치 문서 10만 건을 검색하는 AI 비서와 회의 요약 도구를 도입해 어드바이저 팀 98%가 쓰는 표준 도구로 정착시킨 과정과 수치를 정리합니다.

트렌드 조사 업무를 맡기는 딥 리서치 활용 포인트 5가지

수십 개 문서를 스스로 검색·교차검증해 출처 달린 보고서를 만드는 딥 리서치의 제품 현황과 업무 적용 포인트 5가지, 확인해야 할 한계를 정리합니다.

리소스 4,300개의 n8n 워크플로우 모음

n8n 워크플로우 JSON 4,343개를 모은 깃허브 저장소를 소개합니다. 스타 약 5만 5천 개, 검색 화면에서 내 업무와 비슷한 자동화를 찾아 가져오는 절차를 정리했습니다.

검색 · AI for Everyone