🔍 레슨

RAG·벡터검색 — 내 문서에서 답 찾기

① 오늘의 미션

AI는 우리 가게를 몰라요

Claude는 똑똑하지만 '우리동네 반찬가게'의 상품 카탈로그·환불 규정·FAQ는 전혀 몰라요. 손님이 "교환 며칠까지 돼요?"라고 물으면 엉뚱한 답을 할 수도 있죠.

오늘은 내 문서를 보고 정확히 답하게 하는 RAG를 손으로 익혀요.

설명을 따라 진행하면, 여기서 직접 쳐보게 돼요 👇

~/my-shop

$ _

📚 「RAG·벡터검색 — 내 문서에서 답 찾기」 레슨 내용 전체 텍스트로 훑어보기

AI는 우리 가게를 몰라요

오늘은 내 문서를 보고 정확히 답하게 하는 RAG를 손으로 익혀요.

Claude는 우리 가게 상품·환불 규정·FAQ를 몰라요. 그걸 보고 정확히 답하게 하려면?

맞아요. RAG = 답하기 전에 '내 문서에서 관련 부분을 찾아(Retrieval), 그걸 보고 답(Generation)'하는 방식이에요. AI를 다시 가르칠 필요 없이, '컨닝 페이퍼'를 그때그때 쥐여주는 거예요. 👇

RAG의 핵심은 관련 문서를 잘 찾아오는 것이에요. 여기서 '벡터검색'이 등장해요.

키워드 검색 vs 벡터검색

옛날 검색은 똑같은 단어가 있어야 찾았어요('환불' → '환불' 글자만). 벡터검색은 '뜻이 비슷하면' 찾아요('돈 돌려받는 법'으로 검색해도 '환불 규정'을 찾아줌).

비유

키워드 검색 = 같은 글자 찾기 · 벡터검색 = '무슨 뜻인지 알아듣는 똑똑한 매장 직원'이 손님이 찾는 상품을 알아서 골라다 주는 것.

가게 폴더에 답의 근거가 될 문서들이 있어요. 먼저 뭐가 있는지 봐요.

cd my-shop — 가게 폴더로 들어가요

ls docs/ — 근거 문서들을 확인해요

이 문서들이 AI의 '컨닝 페이퍼'가 될 거예요.

Claude에게 FAQ 보고 교환 며칠까지 되는지 답해줘 라고 하면?

맞아요. RAG는 답하기 전에 내 문서에서 관련 부분을 먼저 찾아요. 그래서 우리 가게 진짜 규정으로 답해요. 시켜볼까요? 👇

Claude에게 우리 FAQ를 근거로 답하라고 해보세요.

docs/faq.md 보고 '교환 며칠까지 되는지' 답해줘 — 내 문서를 근거로 물어봐요

일반론이 아니라 우리 가게 규정으로 답했고, 출처까지 댔어요.

RAG는 두 단계의 줄임말이에요. 빈칸을 채워보세요.

맞아요. 찾기(Retrieval) → 생성(Generation). 'RA'가 찾기, 'G'가 답 만들기예요.

벡터검색의 진짜 힘 — FAQ에 없는 표현으로 물어도 '뜻'으로 찾아줘요.

사이즈 안 맞으면 어떻게 해? — FAQ의 단어와 다르게 물어봐요

'사이즈 안 맞으면'이라 물었는데 '교환' 조항을 뜻으로 찾아왔어요. 똑똑한 매장 직원처럼요.

RAG가 답을 만드는 순서를 맞춰보세요. (↑↓로 정렬)

정확해요! 질문 → 찾기 → 답 만들기 → 출처 표시. 가운데 '찾기'가 있어서 정확하고 믿을 수 있어요.

RAG로 답하면 따라오는 좋은 점은?

맞아요. 찾아온 문서를 근거로 답하니 출처를 같이 보여줄 수 있어 손님도 직원도 믿고 쓸 수 있어요.

왜 학습 대신 RAG일까

AI를 우리 가게 데이터로 다시 학습시키면 수개월·수억이 들어요. RAG는 문서만 옆에 두면 끝 — 규정이 바뀌면 문서만 고치면 되니 훨씬 현실적이에요.

한 줄로

RAG = 내 문서에서 관련 부분을 찾아(벡터검색) → 그걸 근거로 답하기. 상품 카탈로그·FAQ 기반으로 정확히, 출처까지 대며 답하게 하는 가장 현실적인 방법이에요.

다음 레슨에서

그런데 '김치전'과 '부침개'가 가깝다는 걸 컴퓨터가 어떻게 알까요? 다음 '임베딩 — 의미를 숫자로'에서, 뜻을 좌표로 바꾸는 벡터검색의 심장을 들여다봐요. 🌱