RAG는 LLM이 학습하지 않은(또는 최신이 아닌) 지식에 대해 답해야 할 때, 관련 문서를 먼저 검색해 프롬프트에 근거로 넣어주는 패턴입니다. 4주차에서 30만 건짜리 실데이터 위에 직접 구현하고, 문서 기반 RAG 트랙을 선택하면 개인 프로젝트로 확장합니다.
파이프라인
flowchart LR D["문서"] --> C["Chunking<br/>분할"] --> E["임베딩"] --> V["벡터 DB<br/>저장"] Q["질문"] --> QE["질문 임베딩"] --> S["유사도 검색"] V --> S --> P["프롬프트 구성<br/>(질문 + 근거)"] --> G["LLM 생성<br/>+ 출처 표시"]
- Chunking: 문서를 검색 단위로 분할한다. 너무 크면 노이즈가, 너무 작으면 맥락이 사라진다.
- 임베딩·저장: 각 chunk를 임베딩으로 바꿔 벡터 DB에 넣는다.
- 검색(Retrieval): 질문을 같은 방식으로 임베딩해 유사한 chunk를 찾는다.
- 생성(Generation): 찾은 chunk를 근거로 프롬프트를 구성해 LLM이 답을 만들고, 출처를 함께 표시한다.
이 과정에서의 위치
| 주차 | RAG와의 연결 |
|---|---|
| 4주차 | 데이터 정제부터 임베딩·벡터 인덱스, 질의응답까지 전 과정 |
| 6주차 | 검색을 에이전트가 도구로 부르는 자리 |
| 8주차 | FastAPI 서비스화: RAG를 API로 노출 |