Vector DB는 언제 필요할까: RAG에서 일반 DB 검색과 무엇이 다를까
Vector DB가 RAG에서 언제 필요한지, 일반 DB 검색과 키워드 검색, 벡터 검색, metadata filter, hybrid search의 차이를 기준으로 설명합니다.
-
-
AI 에이전트 실전 설계 시리즈 (4) – RAG는 에이전트 안에서 어디에 들어갈까
AI 에이전트 RAG를 단순 검색 기능이 아니라 retrieval, reranking, context packing, grounding을 담당하는 context layer로 설명합니다.
-
Embedding이란 무엇인가: RAG와 추천 시스템에서 문장을 숫자로 바꾸는 이유
Embedding이 무엇인지, 왜 문장을 벡터로 바꾸는지, RAG와 추천 시스템에서 similarity search가 어떤 역할을 하는지 정리합니다.
-
AI 에이전트 실전 설계 시리즈 (3) – MCP는 에이전트 구조에서 어떤 역할을 할까
MCP가 AI 에이전트 구조에서 어떤 역할을 하는지 tools, resources, prompts를 행동, 맥락, 작업 템플릿 계층으로 나누어 설명합니다.
-
ChatGPT API 비용 계산은 왜 예상보다 어려울까: token, context, 입출력 구조로 보는 법
ChatGPT API 비용이 token, context window, input/output token, prompt caching, Batch API에 따라 어떻게 달라지는지 공식 문서 기준으로 쉽게 정리합니다.
-
AI 에이전트 실전 설계 시리즈 (2) – Tool calling은 어디까지 맡겨야 안전할까
AI 에이전트 Tool calling을 붙일 때 읽기 도구, 쓰기 도구, 비용 발생 도구, 위험 도구를 어떻게 나누고 승인 흐름을 설계해야 하는지 정리합니다.
