초거대 모델이 등장하고 100만 토큰 이상의 롱 컨텍스트가 보편화되었어도, 실무에서 RAG(Retrieval-Augmented Generation)는 여전히 필수 아키텍처입니다. 이유는 세 가지입니다.
프롬프트를 넘어 AI 에이전트의 실행 환경을 설계하는 하네스 엔지니어링 개념과 CAR 모델, 그리고 실무용 AGENTS.md·CLAUDE.md 템플릿을 정리합니다.
2026. 3. 28.Artificial IntelligencePinecone 같은 전용 벡터DB를 새로 붙이지 않고, 이미 쓰던 PostgreSQL에 pgvector·HNSW만 얹어 사내 지식 RAG 어시스턴트를 만든 실전 회고. Gemini 임베딩 768차원, 함수콜 에이전트, JOIN 검색, 유사도 컷 튜닝까지.
2026. 7. 4.Artificial IntelligenceAI 코드 생성 시대, 기술 부채 폭증을 막는 현명한 활용법 💡 핵심 요약: AI 코드 생성 도구는 개발 속도를 크게 향상시키지만, 관리 없이 사용하면 검증되지 않은 코드와 기술 부채를 남길 수 있습니다. AI에게 반복적인 초기 작업을 맡기고, 개발자는 복잡한 로직 검증과 아키...
2026. 9. 18.실무에서 가장 많이 오해하는 부분은 벡터를 '점수'라고 생각하는 것입니다. 벡터는 '의미의 좌표'이며, 점수는 검색 시점에 실시간으로 계산됩니다.
판단의 주체는 임베딩 모델(Embedding Model)입니다. 모델은 수천 개의 논리적 축(Dimensions)을 기준으로 데이터를 좌표화합니다.
데이터는 생성형 AI가 "알아서" 넣어주지 않습니다. 개발자가 구축한 데이터 인제스션 파이프라인(Ingestion Pipeline)이 그 역할을 수행합니다.
대형 이커머스는 어느 한 방식만 쓰지 않습니다. 실무 표준은 하이브리드 검색(Hybrid Search)입니다.
RAG는 강력하지만 만능은 아닙니다.
생성형 AI 도입은 단순히 모델을 가져다 쓰는 단계를 넘어, "얼마나 정교한 데이터 파이프라인을 구축하느냐"의 싸움이 되었습니다. 벡터 DB와 LLM 전처리를 결합한 RAG 아키텍처는 이제 선택이 아닌 필수입니다.
다음 글에서는 에이전트가 스스로 검색 도구를 선택하는 Agentic RAG를 더 깊이 다루겠습니다.
참고 자료