생성형 AI 모델은 강력하지만, 한 가지 주요한 한계가 있습니다. 바로 학습된 내용만 알고 있다는 점입니다. 따라서 회사의 최신 문서, 내부 정책 또는 새로 발표된 연구 자료에 대한 질문을 추가적인 컨텍스트 없이 신뢰성 있게 답변할 수 없습니다. 여기에 Retrieval-Augmented Generation (RAG)이 등장합니다.

저는 기본적인 실습(lab)을 만들었으며, 앞으로는 RAG에 대한 더 심화된 이해를 담은 실습들을 추가할 예정입니다.

Lab 1에서는 Python과 저렴한 Gemini 모델을 사용하여 간단한 문서 기반 질의응답 애플리케이션을 구축함으로써 RAG의 기본 개념을 소개합니다. 이 애플리케이션은 모델의 내부 지식에만 의존하는 대신, 관련 정보를 문서에서 검색하여 그 컨텍스트를 LLM(대규모 언어 모델)에게 제공한 후 답변을 생성합니다.

이 실습에서는 여러 개의 .txt 파일(data 폴더)을 로드(loaders/document_loader.py)하고, 그 내용을 추출하며, 텍스트를 분할 및 정리(utils/text_utils.py)하는 과정을 수행하게 됩니다. 사용자가 질문을 하면, 애플리케이션은 질문을

Lab 1 소스는 https://github.com/nimeshpanda/RAG_Research/tree/main/Lab1-BasicRAG 에서 다운로드할 수 있습니다.
ReadMe를 따라 진행하세요.

코드 실행 중 피드백이나 문제가 있으면 알려주세요.

즐거운 학습 되시고 다음 글에서 뵙겠습니다.

--Nimesh Panda