imprun engineering

작성일: 2026년 01월 19일카테고리: AI, LLM, RAG키워드: RAG, Retrieval-Augmented Generation, GraphRAG, Agentic RAG, Knowledge Graph, LLM요약LLM은 모르는 것을 그럴듯하게 지어낸다(환각). 이 문제를 해결하기 위해 2020년 RAG가 등장했고, 기본 RAG의 한계를 극복하기 위해 두 가지 방향으로 발전했다: Agentic RAG(반복 검색, 도구 선택)와 GraphRAG(관계 기반 검색). 이 글에서는 RAG 기술의 발전 흐름을 정리하고, "LLM API는 한 번 호출하면 끝인데, 누가 RAG 루프를 돌리는가?"라는 질문에 답한다.시작점: LLM의 환각 문제ChatGPT에게 "우리 회사 매출이 얼마야?"라고 물으면 두 가지 ..

작성일: 2026년 01월 19일카테고리: AI, RAG, Evaluation키워드: RAG Evaluation, RAGAS, Faithfulness, Context Recall, Ground Truth요약"이 RAG 시스템이 잘 작동하는가?"라는 질문에 "대충 괜찮아 보인다"는 답은 충분하지 않다. 전문 지식 노동자를 위한 시스템은 정량적 평가가 필수다. 이 글에서는 RAG 시스템의 품질을 측정하는 핵심 지표와 RAGAS 프레임워크를 활용한 평가 파이프라인 구축을 다룬다.왜 평가가 필요한가"그럴듯한" vs "정확한"질문: "2024년 4분기 매출은?"답변 A: "2024년 4분기 매출은 약 150억원 수준으로, 전분기 대비 성장세를 보였습니다." → 그럴듯하지만, 숫자가 맞는지..

작성일: 2026년 01월 19일카테고리: AI, RAG, Knowledge Graph키워드: Microsoft GraphRAG, Community Detection, Global Search, Local Search, Hierarchical Summarization요약Microsoft의 GraphRAG는 요약 중심의 RAG에 특화된 구현체다. 기존 RAG가 "이 문서에 뭐라고 써있어?"라는 질문에 답한다면, GraphRAG는 "전체 데이터에서 주요 테마가 뭐야?"와 같은 전역적 질문에 답할 수 있다. 이 글에서는 GraphRAG의 핵심 메커니즘인 커뮤니티 탐지와 계층적 요약을 분석한다.기존 RAG의 전역적 질문 한계문제 상황문서 집합: 호메로스의 "오디세이" 전체 텍스트질문: "이 서사시의 주요 테마는..

작성일: 2026년 01월 19일카테고리: AI, Knowledge Graph, LLM키워드: Knowledge Graph Construction, Entity Extraction, Relation Extraction, LLM, Neo4j요약지식 그래프 기반 RAG는 그래프가 존재해야 작동한다. 수동으로 그래프를 구축하는 것은 비용이 크고 확장이 어렵다. 이 글에서는 LLM을 활용하여 비정형 텍스트에서 자동으로 엔티티와 관계를 추출하고 지식 그래프를 구축하는 방법을 다룬다.수동 그래프 구축의 한계전통적인 방식1. 도메인 전문가가 온톨로지 설계2. 데이터 분석가가 문서 분석3. 수작업으로 엔티티/관계 추출4. 검증 및 품질 관리문제점:시간 소요: 문서 1개당 수 시간확장성 부재: 문서가 늘어날수록 비용 증..

작성일: 2026년 01월 19일카테고리: AI, RAG, Agent키워드: Agentic RAG, LLM Agent, Tool Calling, ReAct, Self-Correction요약기본 RAG는 "질문 → 검색 → 답변"의 고정된 파이프라인을 따른다. Agentic RAG는 이 구조를 탈피하여, LLM이 스스로 검색 도구를 선택하고, 결과를 평가하며, 필요시 재검색하는 자율적 시스템이다. 이 글에서는 Agentic RAG의 핵심 메커니즘인 에이전트 루프와 도구 호출(Tool Calling)을 분석한다.기본 RAG의 한계고정된 파이프라인[기본 RAG]질문 → 벡터 검색(1회) → LLM → 답변이 구조의 문제점:단일 검색: 검색 결과가 부족해도 재검색 불가고정 도구: 벡터 검색만 사용, 다른 도구 ..

작성일: 2026년 01월 19일카테고리: AI, RAG, Knowledge Graph키워드: Text2Cypher, Neo4j, Cypher, Knowledge Graph, Graph Query요약벡터 검색은 의미적 유사성을 찾는 데 탁월하지만, 데이터 간의 관계를 추론하지 못한다. "김철수가 완료한 업무가 몇 개인가?"와 같은 질문에 답하려면 구조화된 쿼리가 필요하다. 이 글에서는 자연어 질문을 Neo4j의 Cypher 쿼리로 변환하는 Text2Cypher 기법을 다룬다.벡터 검색이 실패하는 질문문제 상황질문: "John Doe가 완료한 업무가 몇 개인가?"벡터 검색 결과:- "John Doe는 개발팀 소속입니다."- "업무 완료 시 상태를 Completed로 변경하세요."- "John Doe가 Ta..

작성일: 2026년 01월 19일카테고리: AI, RAG, Retrieval키워드: Step-back Prompting, Parent Document Retriever, Multi-Query, HyDE요약기본 벡터 검색은 질문과 문서의 직접적인 유사도만 비교한다. 이 접근법은 단순한 질문에는 효과적이지만, 복잡하거나 추상적인 질문에서는 관련 문서를 놓치기 쉽다. 이 글에서는 검색 품질을 향상시키는 4가지 고급 전략을 분석한다.기본 검색의 한계문제 상황질문: "왜 마이크로서비스 아키텍처에서 서킷 브레이커가 중요한가?"기본 벡터 검색 결과:- "서킷 브레이커 패턴 구현 가이드" (키워드 일치)- "마이크로서비스 아키텍처 개요" (키워드 일치)누락된 문서:- "분산 시스템의 장애 전파 방지" (핵심 원리)- ..

작성일: 2026년 01월 19일카테고리: AI, RAG, Vector Search키워드: Embedding, Cosine Similarity, Vector Database, Hybrid Search, Full-text Search요약RAG 시스템의 검색 품질은 전체 시스템 성능을 결정한다. 이 글에서는 텍스트를 수학적 벡터로 변환하여 '의미'를 검색하는 벡터 유사도 검색의 메커니즘을 분석하고, 키워드 검색을 결합한 하이브리드 검색 전략을 다룬다.검색기(Retriever)의 역할RAG의 성패는 검색기가 얼마나 정확한 문서를 찾아오느냐에 달려 있다.[좋은 검색] → 관련 문서 → 정확한 답변[나쁜 검색] → 무관한 문서 → 부정확한 답변 또는 환각전통적인 키워드 검색은 단어의 정확한 일치를 찾는다. "자동..

작성일: 2026년 01월 19일카테고리: AI, LLM, RAG키워드: LLM, Hallucination, Knowledge Cutoff, RAG, Fine-tuning요약대규모 언어 모델(LLM)은 확률적 단어 예측 모델이지, 사실을 저장하고 인출하는 데이터베이스가 아니다. 이 글에서는 LLM이 그럴듯한 거짓말(환각)을 하는 구조적 원인을 분석하고, 이를 극복하기 위한 전략적 접근법으로서 RAG(Retrieval-Augmented Generation)의 필요성을 다룬다.LLM은 데이터베이스가 아니다2023년 미국에서 변호사들이 법정에 제출한 서류에 ChatGPT가 생성한 가짜 판례가 포함되어 있었다. 해당 판례는 존재하지 않았고, 변호사들은 징계와 벌금형을 받았다. 이 사건은 LLM의 환각(Hallu..

시리즈 개요: 이 시리즈는 LLM의 한계를 극복하고 신뢰할 수 있는 AI 시스템을 구축하기 위한 RAG(Retrieval-Augmented Generation) 기술의 진화 과정을 다룬다. 단순 벡터 검색부터 지식 그래프 기반 GraphRAG, 자율적 판단이 가능한 Agentic RAG까지 단계별로 학습한다.시리즈 구성Part제목핵심 주제1LLM 정확도 향상LLM의 구조적 한계와 RAG의 필요성2벡터 검색과 하이브리드 검색임베딩, 코사인 유사도, 키워드 검색 결합3고급 벡터 검색 전략Step-back Prompting, Parent Document Retriever4Text2Cypher: 자연어를 그래프 쿼리로Cypher 쿼리 생성, 스키마 활용5Agentic RAG자율적 도구 선택, 자가 교정 루프6L..