RAG (Retrieval-Augmented Generation)

문서버전 1 · 업데이트 2026년 7월 24일

문서를 검색해 근거로 삼아 답을 생성하는 패턴, 이 과정의 중심 아키텍처

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"]
  1. Chunking: 문서를 검색 단위로 분할한다. 너무 크면 노이즈가, 너무 작으면 맥락이 사라진다.
  2. 임베딩·저장: 각 chunk를 임베딩으로 바꿔 벡터 DB에 넣는다.
  3. 검색(Retrieval): 질문을 같은 방식으로 임베딩해 유사한 chunk를 찾는다.
  4. 생성(Generation): 찾은 chunk를 근거로 프롬프트를 구성해 LLM이 답을 만들고, 출처를 함께 표시한다.

이 과정에서의 위치

주차RAG와의 연결
4주차데이터 정제부터 임베딩·벡터 인덱스, 질의응답까지 전 과정
6주차검색을 에이전트가 도구로 부르는 자리
8주차FastAPI 서비스화: RAG를 API로 노출