- Vectorless RAG (Vectorless RAG, 벡터 없는 RAG)Vectorless RAG는 임베딩과 벡터 데이터베이스 없이 검색(Retrieval)을 수행하는 여러 RAG 방식을 묶어 부르는 말입니다. 이 방식들의 공통점은 벡터 유사도 검색을 쓰지 않는다는 것 하나입니다.AI·2026.10.03 · ai, rag, vectorless-rag
- 벡터 데이터베이스 (Vector Database, 벡터 데이터베이스)벡터 데이터베이스(Vector Database)는 임베딩 벡터를 저장하고, 주어진 벡터와 가장 가까운 벡터들을 빠르게 찾아 주는 저장소입니다.AI·2026.10.03 · ai, rag, vector-database
- Reranking (Reranking, 리랭킹)리랭킹(Reranking)은 1단계 검색이 가져온 후보 문서들을 더 정밀하지만 더 느린 모델로 다시 점수 매겨 순서를 바꾸는 단계입니다. RAG 파이프라인에서는 보통 검색과 생성 사이에 들어갑니다.AI·2026.10.03 · ai, rag, reranking
- RAG (Retrieval-Augmented Generation, 검색 증강 생성)RAG(Retrieval-Augmented Generation)는 LLM이 답하기 전에 외부 문서에서 관련 내용을 검색해 프롬프트에 넣어 주고, 그 내용을 근거로 답을 생성하게 하는 방식입니다. 이름은 2020년 Meta AI(당시 Facebook AI Research)의 Patrick Lewis 등이 발표한 논문 *Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks*에서 왔습니다.AI·2026.10.03 · ai, llm, rag
- RAG 방식 선택 가이드 (RAG Selection Guide)RAG 시리즈에서는 벡터 RAG, 하이브리드 검색, 리랭킹, 쿼리 변환, Vectorless RAG, Agentic RAG, 롱 컨텍스트/CAG, Graph RAG, 온톨로지 RAG까지 여러 방식을 다뤘습니다. 각 노트는 "이 방식이 무엇인가"를 설명했고, 이 문서는 "내 상황에는 무엇을 쓰는가"를 정리합니다.AI·2026.10.03 · ai, rag
- RAG 쿼리 변환 (RAG Query Transformation, RAG 쿼리 변환)쿼리 변환(Query Transformation)은 사용자 질문을 검색하기 좋은 형태로 바꾼 뒤 검색에 넘기는 단계입니다. 질문을 다시 쓰거나, 여러 개로 늘리거나, 쪼개거나, 어느 저장소로 보낼지 정하는 일이 모두 여기에 포함됩니다.AI·2026.10.03 · ai, query-transformation, rag
- RAG 평가 (RAG Evaluation, RAG 평가)RAG 평가(RAG Evaluation)는 RAG 시스템이 올바른 문서를 찾았는지, 그리고 찾은 문서로 올바른 답을 만들었는지를 숫자로 측정하는 일입니다.AI·2026.10.03 · ai, evaluation, rag
- RAG 청킹 (Chunking, 문서 분할)청킹(Chunking)은 RAG의 인덱싱 단계에서 긴 문서를 검색 단위가 되는 작은 조각(청크, chunk)으로 자르는 일입니다. 검색은 문서가 아닌 청크 단위로 일어나고, LLM에 전달되는 것도 청크입니다.AI·2026.10.03 · ai, chunking, rag
- 온톨로지 (Ontology, 온톨로지)온톨로지(Ontology)는 어떤 분야에 어떤 종류의 것들이 있고, 그것들이 서로 어떤 관계를 맺을 수 있으며, 어떤 규칙을 지켜야 하는지를 기계가 읽을 수 있게 명시한 것입니다. 컴퓨터 과학에서 자주 인용되는 정의는 "공유된 개념화의 명시적 명세(explicit specification of a conceptualization)"입니다.AI·2026.10.03 · ai, knowledge-graph, ontology
- 온톨로지 RAG (Ontology-guided RAG, 온톨로지 기반 RAG)온톨로지 RAG는 온톨로지가 정한 스키마에 맞춰 지식 그래프를 만들고, 그 스키마를 이용해 질의하고, 온톨로지 규칙으로 답을 보강·검증하는 RAG입니다. Graph RAG의 한 갈래이며, 그래프의 모양을 LLM 대신 사람이 설계한 온톨로지가 정합니다.AI·2026.10.03 · ai, ontology-rag, rag
- Long Context vs RAG (Long Context vs RAG, 롱 컨텍스트 vs RAG)LLM의 컨텍스트 윈도우(Context Window)는 한 번의 요청에 넣을 수 있는 토큰의 최대 양입니다. 이 크기가 빠르게 커졌습니다. 2026년 10월 기준 Anthropic의 주력 모델(Claude Opus 5.5, Sonnet 5.5 등)은 100만(1M) 토큰 컨텍스트를 지원합니다. Anthropic 문서 기준으로 1M 토큰은 대략 영어 55만 단어 분량입니다.AI·2026.10.03 · ai, long-context, rag
- 지식 그래프 (Knowledge Graph, 지식 그래프)지식 그래프(Knowledge Graph, KG)는 세상의 사실을 "무엇(엔티티)이 무엇(다른 엔티티)과 어떤 관계인가"의 형태로 저장한 그래프입니다. 점(노드)은 사람, 회사, 제품, 도시 같은 엔티티이고, 선(엣지)은 "근무한다", "위치한다", "만든다" 같은 관계입니다.AI·2026.10.03 · ai, knowledge-graph
- 하이브리드 검색 (Hybrid Search)하이브리드 검색(Hybrid Search)은 의미 기반의 벡터 검색(dense retrieval)과 단어 기반의 키워드 검색(sparse retrieval, 주로 BM25)을 함께 실행하고, 두 결과를 하나의 순위로 합치는 검색 방식입니다.AI·2026.10.03 · ai, rag, search
- Graph RAG (Graph Retrieval-Augmented Generation, 그래프 RAG)Graph RAG는 RAG의 검색 대상에 지식 그래프를 넣은 방식입니다. 문서 조각(청크)을 임베딩 유사도로만 찾는 대신, 문서에서 엔티티와 관계를 뽑아 그래프로 만들고, 질문에 답할 때 그 그래프를 따라가거나 그래프를 요약한 정보를 근거로 씁니다.AI·2026.10.03 · ai, graph-rag, rag
- 임베딩 (Embedding, 임베딩)임베딩(Embedding)은 텍스트, 이미지 같은 데이터를 의미가 담긴 숫자 벡터(실수 배열)로 바꾸는 것입니다. 이 변환을 해 주는 신경망을 임베딩 모델이라고 부릅니다.AI·2026.10.03 · ai, 임베딩, rag
- BM25 (Okapi BM25, 키워드 검색 랭킹 함수)BM25(Best Matching 25)는 질문에 들어 있는 단어가 문서에 얼마나, 어떻게 등장하는지를 보고 문서에 점수를 매기는 키워드 검색 랭킹 함수입니다. 1990년대 런던 시티 대학교의 Okapi 검색 시스템 연구(Stephen Robertson 등)에서 나왔고, 그래서 Okapi BM25라고도 부릅니다.AI·2026.10.03 · ai, bm25, rag
- Agentic RAG (Agentic RAG, 에이전틱 RAG)Agentic RAG는 언제, 무엇을, 어떤 도구로 검색할지를 LLM이 스스로 결정하며 검색과 추론을 반복하는 RAG입니다. 검색 단계가 파이프라인에 고정되어 있지 않고, LLM이 도구를 호출하는 루프 안에서 필요할 때마다 검색합니다.AI·2026.10.03 · agentic-rag, ai, rag
찾는 내용이 없다면 직접 물어보세요
프로젝트와 블로그 글에서 답을 찾습니다