최소 흐름
rag-flow.txt
1. 문서를 수집한다
2. 문서를 작은 chunk로 나눈다
3. chunk를 embedding으로 변환한다
4. vector store에 저장한다
5. 질문과 비슷한 chunk를 검색한다
6. 검색된 근거와 질문을 LLM에 함께 넣는다
7. 답변과 출처를 같이 반환한다API 모양 예시
api-contract.txt
POST /ai/ask
{
"question": "환불 규정이 어떻게 돼?",
"filters": { "product": "starter" }
}
200 OK
{
"answer": "환불은 결제 후 7일 이내 가능합니다.",
"sources": [
{ "title": "refund-policy.md", "chunkId": "refund-003" }
]
}튜닝 키워드
chunk size
문서를 너무 작게 자르면 맥락이 끊기고, 너무 크게 자르면 검색이 둔해집니다.
metadata filter
상품, 권한, 날짜, 문서 종류로 검색 범위를 좁힙니다.
hybrid search
키워드 검색과 벡터 검색을 함께 사용합니다.
reranking
1차 검색 결과를 다시 정렬해 근거 품질을 높입니다.