Tag
#RAG 24
2026
-
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 -
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 -
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 -
Confluence 위키 QA 에이전트는 어떻게 채점할까
가상 위키와 정답표를 기준으로 문서 검색, 답변의 필수 사실, 근거 충실성, 인용, 답변 보류를 나눠 채점하는 방법을 예시와 계산식으로 설명합니다.
#Confluence #RAG #AI에이전트 #GoldenSet #LLMJudge #평가 -
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 -
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 -
[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 -
[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 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 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 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 -
Context7은 AI 개발을 어떻게 돕나 — 최신 문서를 Agent에 연결하는 MCP와 RAG
AI 코딩 Agent가 Context7 MCP로 최신 개발 문서를 찾아 코드 생성에 사용하는 과정을 만화와 실제 연동 흐름으로 설명합니다.
#Context7 #MCP #RAG #AI에이전트 #개발도구 -
[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 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 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 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 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 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 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 2] RAG를 넘어서: LLM Wiki란 무엇인가
LLM Wiki가 일반 RAG와 어떻게 다르고 왜 지식이 누적되는 구조인지 설명한다.
#LLM Wiki #RAG #Karpathy #지식베이스 -
[LLM Wiki 1] 회의록은 왜 검색만으로 부족한가
회의록이 많아질수록 단순 검색과 일반 RAG만으로는 부족한 이유를 설명한다.
#LLM Wiki #회의록 #RAG #지식관리 -
LLM Wiki는 검색을 어떻게 하나, 그리고 임베딩은 쓸까
카파시의 LLM Wiki에서 검색이 효율적인 이유를 단계별로 따라가고, 임베딩(RAG)이 어디에 쓰이고 어디엔 안 쓰이는지를 그림으로 가립니다. index 지도, 링크 그래프, 캐싱, 임베딩의 진짜 위치.
#LLM #지식관리 #Karpathy #임베딩 #RAG #검색 #PKM -
카파시의 LLM Wiki — AI를 검색기가 아니라 '쉬지 않는 편집자'로
안드레이 카파시가 제안한 LLM Wiki 패턴 — AI를 검색기가 아니라 지식을 쌓고 정리하는 편집자로 쓰는 법을 그림으로 풀었습니다. raw/LLM/wiki 3계층과 Ingest, Query, Lint 세 동작, 운영법까지.
#LLM #지식관리 #Karpathy #AI에이전트 #Claude Code #RAG #PKM -
MiniLM, 쉽게 이해하기 — 문장을 '의미 숫자'로 바꾸는 작고 빠른 모델
보편적으로 말하는 MiniLM(all-MiniLM-L6-v2)이 무엇인지, 왜·어떻게 쓰는지, 시맨틱 검색·RAG·클러스터링 같은 실제 사용 예를 도식으로 쉽게 설명합니다.
#MiniLM #임베딩 #embedding #RAG #시맨틱검색 #NLP