Retrieval
검색 품질을 만드는 각 단계를 분리해 본다
chunking, embedding, filtering과 reranking이 검색 결과에 주는 영향을 비교합니다.
세부 주제 소개In progress
chunking, embedding, filtering과 reranking이 검색 결과에 주는 영향을 비교합니다.
RAG 세부 주제4개 보기
최신글/ 10
RAG 원 논문 해부: 언어 모델이 문서를 찾아 읽고 답을 만들게 하려면
Lewis 외의 원 논문 Retrieval-Augmented Generation을 12세 독자도 설명할 수 있게 해부한다. DPR·BART·Wikipedia index·잠재 문서 확률·RAG-Sequence와 RAG-Token의 수식, 공개 구현의 검색·문서 결합·marginalization 경로, 작은 수식 직접 실행, 색인 운영·권한·평가의 실무 경계를 원문 사실과 해석으로 분리한다.
2026. 07. 24. · 59분 읽기BM25부터 E5-Mistral까지 BGE-M3의 비교 기준을 다시 읽었다
BGE-M3 논문에 등장하는 BM25·mDPR·mContriever·mE5-large·E5-Mistral-7B의 구조와 학습 조건, 입력 형식, tokenizer 통제와 benchmark 해석을 따로 정리했다.
2026. 07. 22. · 13분 읽기pgvector와 HNSW를 밑바닥부터 이해하기
pgvector가 PostgreSQL에 무엇을 추가하는지부터 HNSW 그래프의 생성·탐색 원리, ANN 후보와 WHERE 필터의 실제 실행 순서, 필터가 recall을 낮추는 이유와 설계 대안까지 소스 기준으로 파고들었다.
2026. 07. 22. · 101분 읽기RAG는 모델보다 답을 찾는 경로를 바꾸는 일이었다
AWS의 RAG 강연을 따라가며 모델 단독 답변, 기본 RAG, 관리형 Knowledge Bases, 고급 검색 파이프라인이 무엇을 다르게 만드는지 정리했다.
2026. 07. 22. · 20분 읽기BEIR를 읽고 검색 모델보다 먼저 평가 환경을 의심해야 했다
BEIR의 zero-shot 검색 결과를 바탕으로 BM25-only가 맞는 조건과 Exact·Dense·Hybrid·Reranker를 선택할 기준, 평가셋의 selection bias를 정리했다.
2026. 07. 21. · 18분 읽기