Category
기술 › LLM Wiki 30
2026
-
[LLM Wiki 1] 회의록은 왜 검색만으로 부족한가
회의록이 많아질수록 단순 검색과 일반 RAG만으로는 부족한 이유를 설명한다.
#LLM Wiki #회의록 #RAG #지식관리 -
[LLM Wiki 2] RAG를 넘어서: LLM Wiki란 무엇인가
LLM Wiki가 일반 RAG와 어떻게 다르고 왜 지식이 누적되는 구조인지 설명한다.
#LLM Wiki #RAG #Karpathy #지식베이스 -
[LLM Wiki 3] 회의록을 지식으로 바꾸는 카드 구조
회의록을 Meeting, Decision, Action, Project, Topic 카드로 나누는 정보 모델을 설명한다.
#LLM Wiki #회의록 #Markdown #카드구조 -
[LLM Wiki 4] Schema와 Template: LLM을 일관된 편집자로 만들기
스키마와 템플릿으로 LLM이 회의록을 일관되게 처리하게 만드는 방법을 설명한다.
#LLM Wiki #스키마 #템플릿 #회의록 -
[LLM Wiki 5] 큰 회의록 Wiki에서 필요한 문서를 찾는 법
회의록이 많아질 때 index, metadata, qmd로 필요한 문서를 찾는 구조를 설명한다.
#LLM Wiki #검색 #메타데이터 #qmd -
[LLM Wiki 6] qmd와 자연어 검색: BM25, Vector Search, Reranker
qmd가 BM25, 벡터 검색, query expansion, reranking으로 자연어 검색을 처리하는 방식을 설명한다.
#LLM Wiki #qmd #BM25 #Vector Search #Reranker -
[LLM Wiki 7] Graph RAG: 관계를 따라가며 답하는 검색
Graph RAG가 일반 RAG와 어떻게 다르고 회의록 관계 탐색에 왜 유용한지 설명한다.
#LLM Wiki #Graph RAG #RAG #지식그래프 -
[LLM Wiki 8] LLM Wiki와 Graph RAG를 함께 쓰는 법
LLM Wiki, qmd, Graph RAG를 경쟁이 아니라 역할 분담 구조로 함께 쓰는 방법을 설명한다.
#LLM Wiki #Graph RAG #qmd #하이브리드 -
[LLM Wiki 9] 무료 오픈소스 스택으로 구현하기
Obsidian, qmd, Dataview, Git으로 회의록 LLM Wiki MVP를 만드는 무료 도구 조합을 설명한다.
#LLM Wiki #Obsidian #qmd #Dataview #Git -
[LLM Wiki 10] 회의록 LLM Wiki 구현 로드맵
회의록 20개 MVP에서 qmd 검색, Dataview 점검, Graph RAG 확장까지의 구현 순서를 정리한다.
#LLM Wiki #구현로드맵 #회의록 #Graph RAG -
[LLM Wiki 11] qmd의 기술 구조와 사용 케이스
qmd가 LLM Wiki에서 어떤 위치를 차지하고, BM25, 벡터 검색, reranker, 모델 설정을 어떻게 활용하는지 설명한다.
#LLM Wiki #qmd #BM25 #Vector Search #Reranker -
[LLM Wiki 12] Confluence REST API로 회의록을 검색하고 쓰는 법
Confluence REST API의 검색, 읽기, 쓰기, 구조 탐색, 수정일과 버전 조회를 회의록 LLM Wiki 관점에서 설명한다.
#LLM Wiki #Confluence #REST API #CQL #회의록 -
[LLM Wiki 13] Obsidian: 로컬 Markdown으로 지식 그래프를 만드는 작업대
Obsidian의 핵심 컨셉, Vault, 내부 링크, Graph View, Search, Properties, Dataview, Git, qmd와의 연결 흐름을 설명한다.
#LLM Wiki #Obsidian #Markdown #Graph View #지식관리 -
[LLM Wiki 14] Rerank: 검색 후보를 다시 줄 세우는 기술
Rerank의 개념, 필요한 이유, 실제 검색 flow, 주요 컴포넌트, 한계와 평가 방법을 LLM Wiki 관점에서 도식 중심으로 설명한다.
#LLM Wiki #Rerank #Reranker #검색 #qmd #RAG -
[LLM Wiki 15] QMD 소스 레벨 분석: 로컬 Markdown 검색 엔진의 내부 구조
QMD GitHub README와 소스를 기준으로 collection, SQLite store, FTS/BM25, sqlite-vec, query expansion, RRF, local reranker, MCP server가 어떻게 연결되는지 분석한다.
#LLM Wiki #qmd #소스분석 #BM25 #Vector Search #Rerank #MCP -
[LLM Wiki 16] Query Expansion: 짧은 질문을 검색 가능한 여러 표현으로 바꾸는 기술
Query Expansion의 개념, QMD에서 lex/vec/hyde로 동작하는 방식, qmd-query-expansion 모델의 학습 과정, 예제와 한계를 도식 중심으로 설명한다.
#LLM Wiki #Query Expansion #qmd #RAG #HyDE #BM25 #Vector Search -
[LLM Wiki 17] HyDE Embedding: 가상의 답변으로 검색 품질을 높이는 기술
HyDE Embedding의 개념, 장점과 단점, 한계, 언제 쓰면 좋은지와 피해야 할 상황을 검색 시스템 관점에서 도식 중심으로 설명한다.
#LLM Wiki #HyDE #Embedding #Vector Search #RAG #QMD #검색 -
[LLM Wiki 18] QMD Structured Search: LLM Agent가 검색어를 직접 설계하는 방식
QMD structured search가 일반 query 검색과 어떻게 다르고, lex, vec, hyde typed query를 어떻게 실행해 RRF, chunk selection, rerank로 이어지는지 설명한다.
#LLM Wiki #QMD #Structured Search #RAG #MCP #RRF #Rerank -
[LLM Wiki 19] RRF: 여러 검색 결과를 순위 기준으로 합치는 방법
RRF(Reciprocal Rank Fusion)의 개념, 계산 방식, hybrid search와 QMD에서의 역할, rerank와의 차이, 장단점과 한계를 설명한다.
#LLM Wiki #RRF #Reciprocal Rank Fusion #Hybrid Search #QMD #RAG #Rerank -
[LLM Wiki 20] LLM은 어디에 쓰이는가: Query Expansion부터 Rerank와 답변 생성까지
검색형 LLM 시스템에서 LLM이 어디에 들어가고, 각 단계가 어떤 context를 보고 어떤 출력을 만드는지 QMD와 LLM Wiki 관점에서 깊게 정리한다.
#LLM Wiki #Local LLM #QMD #RAG #Query Expansion #Embedding #Rerank #HyDE -
[LLM Wiki 21] HNSW는 어떻게 수백만 벡터에서 가까운 문서를 찾을까
HNSW의 발음부터 벡터, 근사 최근접 이웃, 계층형 그래프의 탐색 과정, M과 ef 설정, 필터 검색의 주의점까지 그림으로 설명합니다.
#HNSW #벡터검색 #임베딩 #RAG #벡터데이터베이스 #Qdrant -
[LLM Wiki 22] Qdrant란 무엇인가: FAISS와 HNSW의 관계
Qdrant의 Collection, Point, vector, payload 구조부터 RAG에서 맡는 역할, HNSW의 위치, FAISS와의 차이와 선택 기준까지 처음부터 설명합니다.
#Qdrant #FAISS #HNSW #벡터검색 #벡터데이터베이스 #RAG #임베딩 -
[LLM Wiki 25] Neo4j란 무엇인가: 관계를 따라 답을 찾는 그래프 데이터베이스
Neo4j의 Node, Relationship, Property, Path 구조와 Cypher 사용법, 관계형 데이터베이스 및 Qdrant와의 차이, GraphRAG에서의 역할을 처음부터 설명합니다.
#Neo4j #그래프데이터베이스 #Cypher #GraphRAG #KnowledgeGraph #Qdrant #RAG -
[LLM Wiki 27] 임베딩 검색은 왜 비슷한 업무 문서를 헷갈릴까: GraphDB로 검색 범위 줄이기
업무 규칙 문서에서 임베딩 검색이 어려운 이유와 질문 복잡도 분석, Query Router, Page Tree, GraphDB를 결합해 검색 범위와 응답시간을 줄이는 방법을 설명합니다.
#Embedding #GraphDB #PageTree #QueryRouter #HybridSearch #RAG #검색 #업무문서 #LLM -
[LLM Wiki 28] Context7은 어떻게 문서를 AI 컨텍스트로 바꾸나: 공개된 동작과 직접 만드는 설계
Context7의 공개 저장소와 공식 문서에서 확인되는 수집, 검색, 재정렬, 갱신 구조를 추적하고, 비공개 영역을 직접 구현할 수 있는 재현 아키텍처와 오픈소스 출발점을 정리합니다.
#Context7 #MCP #RAG #HybridSearch #VectorSearch #Reranker #개발문서 -
한국어 Wiki 임베딩 설계: 모델, 청크, 차원, 인덱싱과 검색 속도
한국어 Wiki를 벡터 검색으로 만들 때 모델, 청크 크기, 임베딩 차원, 인덱싱과 실시간 검색 속도를 어떻게 결정하는지 설명합니다.
#임베딩 #RAG #한국어 Wiki #청킹 #벡터 검색 #HNSW #Reranker -
RAG 검색의 세 단계: 바이 인코더, 크로스 인코더, LLM rerank
RAG 검색에서 바이 인코더, 크로스 인코더, LLM rerank가 후보 검색과 정밀한 문서 선택을 어떻게 나누어 맡는지 설명합니다.
#RAG #바이인코더 #크로스인코더 #rerank #LLM #검색 -
MegaMem은 방대한 기업 문서에서 답의 근거를 어떻게 찾나
MegaMem의 원문과 메모 이중 인덱스, 질문 재작성과 확장, 원문 복원, RRF, 재정렬, 답변과 출처 표시를 하나의 예시로 추적하고 논문 점수와 CDL 리더보드의 관계를 구분합니다.
#MegaMem #RAG #기업검색 #임베딩 #QueryExpansion #RRF #LLMWiki -
GraphRAG는 그래프에서 어떤 근거를 찾아 답하는가
TAG와 GNN부터 그래프 인덱싱, 검색기, 반복 검색, 근거 선택과 답변 생성까지 수식 없이 설명합니다.
#GraphRAG #RAG #KnowledgeGraph #GNN #검색 #LLMWiki -
MS GraphRAG는 문서에서 어떻게 답을 찾을까?
엔터티 추출부터 커뮤니티 요약, 질문에 맞는 전역 검색과 지역 검색까지 MS GraphRAG의 흐름을 그림으로 따라간다.
#GraphRAG #MS GraphRAG #RAG #지식그래프 #LLM Wiki