RAG 검색 품질이 흔들리는 이유: chunking, reranking, context packing 이해하기
RAG 검색 품질이 왜 흔들리는지 chunking, reranking, context packing 흐름으로 설명하고, 벡터DB 이후 답변 품질 점검 순서를 정리합니다.
-
-
RAG hallucination 평가 시작법
RAG hallucination 평가를 처음 시작할 때 필요한 기준을 정리합니다. groundedness, answer relevance, context recall, golden set, 자동 평가와 사람 검토의 경계를 나눠 설명합니다.
-
MCP RAG 차이: 지식 검색과 도구 연결
MCP RAG 차이를 실무 구조로 정리합니다. RAG는 지식 검색, MCP는 도구 연결에 가깝습니다. 두 방식을 함께 쓰는 기준, 권한 경계, 도입 순서, 운영 로그 기준, 도구 공개 범위를 예시로 쉽게 설명합니다.
-
Agentic RAG란 무엇인가: 검색만 하는 RAG와 스스로 판단하는 RAG는 어디가 다를까
Agentic RAG와 기존 RAG의 차이를 query rewrite, document grading, retrieval loop, LangGraph 흐름으로 설명합니다. 검색 품질이 흔들릴 때 무엇을 자동화하고 무엇은 평가로 남겨야 하는지 실무 기준으로 정리합니다.
-
Reranker는 Vector DB 검색 뒤에 왜 붙일까
Reranker가 Vector DB 검색 뒤에서 어떤 문제를 줄이는지, top-k 검색과 reranking의 역할 차이, 비용과 지연시간 tradeoff를 설명합니다.
-
RAG chunk size는 얼마가 적당할까
RAG chunk size를 문서 구조, 검색 품질, context window, 비용, 평가셋 기준으로 선택하는 방법을 설명합니다.
