콘텐츠로 이동

검색·벡터 (Search & Vector)

캔버스(Canvas) 같은 제품은 사내 문서나 노션, 정책 문서를 검색해서 그 결과를 근거로 답을 만듭니다. 사용자가 "이 주장의 근거가 뭐예요?"라고 물었을 때 정확한 문장을 꺼내 보여주는 게 곧 제품의 신뢰도가 돼요. 그래서 이 위키에서 검색 품질은 부가 기능이 아니라 제품 품질 그 자체로 다룹니다.

이 카테고리는 그 검색을 문장→벡터 변환(임베딩), 벡터 저장소, 다시 원래 문장으로 되돌려 근거로 만드는 흐름까지 각 기술별 페이지로 나눠 정리합니다.

상황부터 — 검색이 곧 답의 신뢰도

사용자가 던진 질문은 "정확한 키워드"로 안 들어오는 경우가 많아요. 정책 문서에 "휴가"라고만 적혀 있는데 사용자는 "연차 쓸 때 며칠 전에 말해야 해?"라고 묻죠. 단어가 안 겹치는데도 의미가 같은 문장을 찾아야 합니다. 이런 걸 의미 기반 검색(시맨틱 검색) 이라고 하고, 문장을 숫자 배열(벡터)로 바꿔 의미의 가까움을 거리로 재는 방식이에요.

의미만 보면 맥락이 다른 문서를 섞어버릴 수 있어서, 우리는 키워드 매칭과 의미 검색을 함께 쓰고 그 결과를 순위 합성으로 섞습니다. 이 구조를 통틀어 RAG(검색 증강 생성) 라고 해요 — 모델이 기억에서 지어내는 대신, 문서에서 찾아낸 조각을 바탕으로 답하게 하는 방식입니다.

카테고리 목차

상태 배지 규칙은 기술 스택 개요를 참고하세요.

페이지 내용 상태
RAG 검색 증강 생성 파이프라인 전체 흐름 🔵 적용
Qdrant 벡터 DB — 벡터 저장·유사도 검색 🔵 적용
Elasticsearch 전문검색 + 벡터 검색 🔵 적용

RAG 하위 챕터

임베딩 모델

  • text-embedding-3-small 🔵 적용 — OpenAI 임베딩. 기본 임베딩으로 씁니다.
  • KURE-v1 🟡 로드맵 — 고려대 한국어 특화 임베딩. 한국어 문서가 많은 테넌트 적용 후보입니다.
  • BGE-M3 🟡 로드맵 — BAAI 다국어 임베딩. 긴 문맥과 여러 검색 모드를 한 모델로 제공해요.

더 알아보기