Typesense 벡터 검색 — 임베딩으로 유사도 검색
Typesense 벡터 검색 — 임베딩으로 유사도 검색
Typesense 벡터 검색은 임베딩 모델이 만든 고차원 벡터를 저장하고 유사도 검색해 의미적으로 가까운 문서를 찾는 기능이에요. RAG·추천·중복 탐지·이상 탐지 같은 작업의 기반이 돼요.
기본 흐름
- 텍스트(문서)를 임베딩 모델로 벡터로 만들어요. (768차원, 1024차원 등)
- 컬렉션의 벡터 필드에 저장하고 인덱싱해요.
- 검색 시 쿼리 텍스트를 같은 모델로 벡터로 바꿔 벡터 검색을 요청해요.
- 코사인 유사도 등으로 가장 가까운 이웃 결과를 반환해요.
RAG에 응용
- 임베딩 모델
bge·nomic-embed등으로 문서를 임베딩하고 Vector Search로 관련 청크를 찾아 LLM 프롬프트에 넣는 검색 증강 생성(RAG) 파이프라인을 만들 수 있어요. - 키워드 검색과 결합한 하이브리드로 정확도를 높일 수도 있어요.
요점
- "의미 기반" 검색이 가능하고, 벡터 차원 수는 모델이 정한 크기를 쓰면 돼요.
- 벡터 검색만으론 정확 문구가 약할 수 있으니, 용도에 따라 하이브리드를 고려하세요.