검색 증강 생성(RAG)은 시맨틱 검색 을 사용하여 대규모 언어 모델(LLM)을 추가 데이터로 보강하여 보다 정확한 응답을 생성할 수 있는 아키텍처입니다.
시맨틱 검색 의미를 기반으로 관련 문서를 검색하는 반면, RAG는 검색된 문서를 컨텍스트로 LLM에 제공하여 이를 한 단계 더 발전시킵니다. 이러한 추가 컨텍스트는 LLM이 사용자의 쿼리 에 대한 보다 정확한 응답을 생성하여 환각을 줄이는 데 도움이 됩니다. Voyage AI 동급 최고의 임베딩 및 리랭킹 모델을 제공하여 RAG 애플리케이션의 검색을 강화합니다.
튜토리얼
다음 튜토리얼에서는 Voyage 임베딩을 사용하여 RAG를 구현 방법을 보여 줍니다.
왜 RAG를 사용해야 하나요?
LLM으로 작업할 때 다음과 같은 제한 사항이 발생할 수 있습니다.
오래된 데이터: LLM은 특정 점 까지의 정적 데이터 세트에서 학습됩니다. 즉, 지식 기반이 제한되어 있고 오래된 데이터를 사용할 수 있습니다.
추가 데이터에 대한 액세스 없음: LLM은 로컬, 개인화된 또는 도메인별 데이터에 액세스 할 수 없습니다. 따라서 특정 도메인에 대한 지식이 부족할 수 있습니다.
환각: 불완전하거나 오래된 데이터를 사용하는 경우 LLM은 부정확한 응답을 생성할 수 있습니다.
RAG는 일반적으로 시맨틱 검색 기반 되는 조회 단계를 추가하여 관련 문서를 실시간 가져오는 방식으로 이러한 제한을 해결합니다. 추가 컨텍스트를 제공하면 LLM이 더 정확한 응답을 생성하는 데 도움이 됩니다. 따라서 RAG는 도메인별 맞춤 질문 답변 및 텍스트 생성을 제공하는 AI 챗봇을 구축하기 위한 효과적인 아키텍처입니다.
벡터 데이터베이스란 무엇인가요?
벡터 데이터베이스는 벡터 임베딩을 저장 하고 효율적으로 조회 하도록 설계된 특수 데이터베이스입니다. 벡터를 메모리에 저장하는 것은 프로토타입 제작 및 실험에 적합하지만, 프로덕션 RAG 애플리케이션은 일반적으로 더 큰 코퍼스에서 효율적인 검색을 수행하기 위해 벡터 데이터베이스 필요합니다.
MongoDB has native support for vector storage and retrieval, making it a convenient choice for storing and searching vector embeddings alongside your other data. To learn more, see MongoDB Vector Search Overview.
다음 단계
추가 튜토리얼은 다음 리소스를 참조하세요.
To learn how to implement RAG with popular LLM frameworks and AI services, see MongoDB AI Integrations and Partners.
To build AI agents and implement agentic RAG, see Build AI Agents with MongoDB.