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.
-
-
pgvector는 언제 Pinecone이나 Qdrant 대신 쓸 만할까: Postgres 안에서 RAG 검색하기
pgvector를 Pinecone, Qdrant 같은 벡터 DB 대신 쓸 수 있는 상황을 Postgres 운영 편의, ANN index, metadata filter, 규모 한계 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.
-
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.
-
Embedding이란 무엇인가: RAG와 추천 시스템에서 문장을 숫자로 바꾸는 이유
Embedding이 무엇인지, 왜 문장을 벡터로 바꾸는지, RAG와 추천 시스템에서 similarity search가 어떤 역할을 하는지 정리합니다.
-
RAG에서 context engineering이 중요한 이유: 벡터DB만 붙이면 왜 답이 좋아지지 않을까
RAG에서 context engineering이 왜 중요한지 정리합니다. 벡터DB, retrieval, reranking, provenance, eval을 운영 관점에서 쉽게 설명합니다.
