기술노트 — AI·풀스택·인프라 실전 개발 지식 | 영삼넷

본문 바로가기

RAG(Retrieval-Augmented Generation) 실전 구축 가이드 — 벡터DB 선택부터 청크 전략까지

RAG는 LLM에 외부 지식을 주입하는 표준 패턴이다. 청크 전략·임베딩 선택·벡터DB·리랭킹·평가 지표까지 실전 설계 기준을 정리한다.

#RAG#VectorDB#Embedding

RAG 심화 — 청킹과 리랭킹 전략

RAG 파이프라인의 핵심인 문서 청킹 전략과 검색 결과 리랭킹 기법을 비교 분석하고 최적 조합을 찾는 방법을 다룹니다.

#RAG#청킹#리랭킹

ChromaDB 벡터 검색 — Python으로 시맨틱 검색 구축

ChromaDB를 활용하여 텍스트 임베딩 기반의 시맨틱 검색 시스템을 Python으로 구축하고, RAG 파이프라인에 통합하는 방법을 다룹니다.

#ChromaDB#벡터검색#시맨틱

Database1분 읽기

벡터 데이터베이스 심화 — pgvector로 PostgreSQL에서 RAG 구현

pgvector 확장으로 PostgreSQL에서 벡터 검색과 RAG를 구현하는 심화 가이드.

#pgvector#PostgreSQL#RAG

Database1분 읽기

벡터 데이터베이스 비교 — Pinecone vs Chroma vs Weaviate

주요 벡터 데이터베이스의 특성, 성능, 비용을 비교하고 선택 기준을 제시합니다.

#Vector DB#RAG#AI

RAG (Retrieval-Augmented Generation) 구현 가이드

RAG 시스템의 아키텍처 설계와 벡터 DB를 활용한 실전 구현 방법.

#RAG#Vector DB#LLM

RAG 검색 증강 생성 완벽 가이드 — 임베딩부터 답변 생성까지

RAG 검색 증강 생성 완벽 가이드 — 임베딩부터 답변 생성까지 — 실무에서 바로 적용할 수 있는 가이드입니다.

#RAG#임베딩#검색