기술노트 — AI·풀스택·인프라 실전 개발 지식 | 영삼넷

본문 바로가기

RAG가 망가지는 5가지 패턴 — 청킹·리랭킹·하이브리드 검색 실전 해법

RAG가 "그럴듯하지만 틀린 답"을 내는 5가지 원인과 실전 해법. 청킹·리랭킹·하이브리드·메타필터·도메인 임베딩.

#RAG#Embedding#Reranking

Embedding 모델 2026 비교 — OpenAI v3·Cohere v4·Voyage·bge-m3·solar

2026년 4월 임베딩 모델 5종 종합 비교 — OpenAI v3-large, Cohere embed-multilingual-v4, Voyage 3, bge-m3, solar-embedding. 한국어·다국어·도메인별 추천.

#Embedding#RAG#NLP

pgvector 0.10 vs Qdrant vs Pinecone vs Milvus — 2026 Vector DB 비교

2026년 4월 기준 Vector DB 4강 비교 — 비용·성능·운영 부담·통합. RAG 시스템 규모별 선택 가이드.

#VectorDB#pgvector#Qdrant

RAG 시스템 한국어 청킹 전략 — kss·KoNLPy + Late Chunking 실전

RAG 정확도를 결정하는 청킹 — 한국어 특성을 살린 kss 문장 분리, Late Chunking, recursive split 조합으로 recall@10을 0.7에서 0.9 이상으로 끌어올린 실전.

#RAG#Korean#NLP

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