기술노트 — AI·풀스택·인프라 실전 개발 지식 | 영삼넷

본문 바로가기

Database16분 읽기

벡터 DB 고르기 — pgvector·Pinecone·Qdrant·Milvus 운영 부담과 비용으로 비교

pgvector, Pinecone, Qdrant, Milvus를 운영 부담·비용·메타데이터 필터링·확장성 기준으로 비교한다. 수백만 벡터까지는 pgvector로 충분한 이유와, 언제 전용 벡터 DB로 넘어가야 하는지 실무 관점에서 정리했다.

#벡터DB#pgvector#Pinecone

파인튜닝 vs RAG vs 프롬프트 엔지니어링 — 언제 무엇을 선택하나

파인튜닝, RAG, 프롬프트 엔지니어링을 비용·데이터·최신성·정확도 네 축으로 비교한다. 어떤 상황에서 무엇을 골라야 하는지 의사결정 플로우와 셋을 섞는 하이브리드 전략, 그리고 내가 직접 데인 실제 실패 사례와 교훈까지 정리했다.

#파인튜닝#RAG#프롬프트 엔지니어링

컨텍스트 엔지니어링 — 프롬프트 그다음, LLM의 컨텍스트 윈도우를 설계하는 법

프롬프트 한 줄 튜닝을 넘어, 컨텍스트 윈도우를 고정 예산으로 보고 설계하는 법을 정리한다. RAG 청킹 전략과 오버랩, 임베딩·리트리벌·재순위, 컨텍스트 압축과 요약, lost in the middle 문제, 도구·메모리 배치, 프롬프트 캐싱, 평가까지 실전 코드로 다룬다.

#Context Engineering#RAG#LLM

Database6분 읽기

pgvector — PostgreSQL로 벡터 검색·RAG 구현하기

PostgreSQL 안에서 임베딩 유사도 검색을 하는 pgvector. 거리 연산자 선택, HNSW 인덱스, 하이브리드·필터 검색까지 실전 관점으로 정리했습니다.

#pgvector#벡터검색#임베딩

시맨틱 캐싱 — LLM 응답을 임베딩으로 재사용해 비용 줄이기

같은 뜻 다른 표현의 질문에 과거 답을 재사용하는 시맨틱 캐싱. 유사도 임계값 튜닝, 캐시하면 안 되는 질문, 프롬프트 캐싱과의 차이를 실전 로그 기반으로 정리.

#시맨틱 캐싱#semantic cache#LLM

임베딩 실전 — 정규화·차원 축소(Matryoshka)·유사도 함정

임베딩 실전 — L2 정규화와 코사인·내적을 헷갈리면 검색이 조용히 망가진다. Matryoshka 차원 축소, 질의·문서 비대칭 임베딩, 모델 교체 시 전체 재색인까지 벡터 검색 품질을 좌우하는 설정들을 실수 사례와 함께 정리했다.

#임베딩#embedding#벡터

벡터 임베딩 이해하기 — 텍스트를 숫자로 바꾸는 원리

벡터 임베딩의 원리와 텍스트를 고차원 벡터로 변환하는 과정, 유사도 검색 구현까지 실전 중심으로 설명합니다.

#임베딩#벡터#NLP

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