Category
기술 › LLM Wiki 26
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