벡터 스토어 — 문서 임베딩을 저장하는 곳

벡터 스토어 — 문서 임베딩을 저장하는 곳

인덱스를 만들 때 문서 청크를 LLM이 비교할 수 있는 벡터로 바꿔서 저장해야 해요. 이 벡터(그리고 종종 원본 문서 청크까지)를 담아두는 곳이 벡터 스토어예요. 검색 단계에서 질의 벡터와 문서 벡터의 유사도를 비교해 가장 관련 높은 조각을 찾아내는 역할을 담당합니다.

출처: 공식문서

Simple Vector Store

기본적으로 LlamaIndex는 빠른 실험에 좋은 인메모리 벡터 스토어를 써요. 디스크에 저장하고 다시 불러오려면 각각 vector_store.persist()와 SimpleVectorStore.from_persist_path(...)를 호출하면 됩니다. 처음 파이프라인을 구축할 때는 이 기본값으로 시작한 뒤, 필요에 따라 외부 스토어로 바꾸는 흐름이 일반적이에요.

지원하는 벡터 스토어와 기능

LlamaIndex는 20개 이상의 벡터 스토어 옵션을 지원해요. 각각 배포 방식(클라우드·셀프호스트·인메모리)과 기능 범위가 조금씩 달라집니다.

(전체 목록은 위 표에 더해 ChaDB, Databricks, Deeplake, DuckDB, DynamoDB, Google AlloyDB, Google Cloud SQL Postgres, Hnswlib, txtai, Jaguar, LanceDB, Lantern, MongoDB Atlas, MyScale, Neo4jVector, pgvecto.rs, S3, SingleStore, Tablestore, Tair, TiDB, TencentVectorDB, Timescale, Typesense, Upstash, VectorX DB, Vearch, Vespa, Vertex AI Vector Search, WordLift 등 다양한 옵션이 있어요.)

기능 표를 볼 때 유의할 점이 있어요. 메타데이터 필터링은 벡터 유사도 외에 메타데이터 조건으로 결과를 좁힐 수 있는지, 하이브리드 검색은 키워드(BM25 등)와 벡터 검색을 함께 쓰는지, 문서 저장은 스토어가 원문 청크도 함께 담는지, 비동기는 async API를 지원하는지를 나타내요. 같은 제품이라도 자기 호스팅과 클라우드에서 기능이 다를 수 있으니, 선택할 때 이 표와 실제 통합 문서를 함께 확인하는 게 좋아요.

통합 목록과 각각의 설정 방법은 Vector Store Integrations 문서에서 확인할 수 있어요. 거의 모든 주요 벡터 DB가 예제 노트북으로 준비되어 있어서, 실제로 어떤 식으로 쓰이는지를 바로 볼 수 있습니다.

더 알아보기

• Vector Store Integrations — 각 벡터 스토어별 설정과 기능 비교
• Customizing Storage — 저장 계층을 원하는 스토어로 바꾸는 방법
• Document Stores — 원본 문서 청크(Node)를 담는 별도 저장소
• Persisting & Loading Data — 저장·불러오기 전반