RAG context packing이 중요한 이유: 검색한 문서를 그대로 넣으면 왜 답이 흔들릴까
RAG context packing이 왜 중요한지 chunk 정렬, 중복 제거, 근거 우선순위, context budget, reranking 관점으로 설명합니다.
-
-
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.
-
RAG reranking은 왜 필요할까: 검색 결과를 그대로 넣으면 생기는 문제
RAG reranking이 왜 필요한지 설명합니다. vector search 결과를 그대로 context에 넣을 때 생기는 문제와 reranker, hybrid search, top-k 조정의 차이를 실무 기준으로 정리합니다.
-
AI agent memory eval은 어떻게 해야 할까: 기억 기능이 진짜 좋아졌는지 검증하는 기준
AI agent memory eval을 테스트셋, 회귀 테스트, 비용, 실패 사례 기준으로 정리합니다. 기억 기능이 실제로 좋아졌는지 확인하는 방법을 설명합니다.
