AI for Everyone

SEARCH RESULTS

“RAG”

21건

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.

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.

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].

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.

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

AI 개발도구 분야에서 Harrison Chase가 2022년에 공개한 오픈소스 프레임워크로, 여러 LLM·벡터DB·도구를 한 줄로 연결해 RAG·에이전트·자동화 파이프라인을 빠르게 만들 수 있게 해줍니다.

AI 개발도구

벡터 데이터베이스

AI 인프라 분야에서 쓰이는 용어로, 텍스트·이미지·코드를 숫자 벡터로 바꿔 저장한 다음 의미가 비슷한 벡터를 빠르게 찾아 주도록 설계된 데이터베이스로, RAG·시맨틱 검색·추천 시스템의 기반이 됩니다.