Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
Oracle AI Database의 VecDB 기능을 활용하여 별도의 벡터 데이터베이스 없이도 Python으로 RAG 및 AI 애플리케이션을 구축할 수 있습니다. 이 SDK는 관계형, 공간적 필터링과 의미론적 유사성을 결합하여 엔터프라이즈급 검색 기능을 제공합니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 GitHub AI Tools의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기Python을 사용하여 Oracle AI Database에서 벡터 검색(vector search), RAG(Retrieval-Augmented Generation) 및 AI 애플리케이션 구축
운영 데이터와 함께 벡터를 보관하고, 관계형 필터링 및 공간적 필터링과 의미론적 유사성을 결합하여 별도의 벡터 데이터베이스를 도입하지 않고 검색 애플리케이션을 구축할 수 있습니다.
⭐ oracle/vecdb-python-sdk에 별표(Star)를 추가하여 프로젝트를 팔로우하고 더 많은 개발자가 이 SDK를 발견하도록 도와주세요.
빠른 시작 (Quickstart) · 샘플 앱 (Sample Apps) · 노트북 (Notebooks) · 문서 (Docs) · 릴리스 (Releases)
Python: 3.10+ Oracle AI Database: 23.26.3+ ORDS: 26.2.2+
pip 또는 uv로 설치합니다.
# pip
pip install oracle-vecdb
# uv
...
from oracle_vecdb import OracleVecDB, Configuration
config = Configuration(rest_url=
현대 AI 애플리케이션은 종종 벡터 검색과 각 결과 주변의 구조화된 데이터가 필요합니다.
Oracle VecDB를 사용하면 Python 애플리케이션이 관계형(relational), 공간적(spatial) 및 Oracle AI Database의 모든 다른 기능과 함께 벡터 검색을 사용할 수 있습니다.
Oracle VecDB를 사용하여 다음 작업을 수행할 수 있습니다:
- 🔎 의미론적(semantic) 및 유사성 검색 실행
- 🌍 벡터 검색을 공간 검색 및 구조화된 쿼리와 결합
- 🤖 RAG 애플리케이션 및 AI 에이전트 구축
- 🧠 통합 임베딩 사용 또는 자체 벡터 가져오기
- ⚡ 기본적으로 벡터 인덱스 자동 생성
- 🎛️ 필요할 때 HNSW 및 임베딩 설정 조정
엔터프라이즈 AI 앱을 구축하는 경우, 필요한 데이터는 이미 Oracle AI Database에 있을 가능성이 높으며, VecDB를 사용하면 해당 데이터를 별도의 벡터 데이터베이스로 이동하거나 동기화해야 하는 필요성을 줄일 수 있습니다.
Oracle VecDB를 직접 학습해 보세요. Oracle AI Developer Hub에는 첫 번째 쿼리부터 프로덕션 지향적인 조정까지 안내하는 실행 가능한 노트북이 포함되어 있습니다.
**통합 임베딩(Integrated embeddings)** — VecDB 워크플로우의 일부로 임베딩 생성
**자체 벡터 가져오기(Bring Your Own Vectors)** — 선호하는 모델 또는 제공업체의 임베딩 사용
**Gemini RAG** — Gemini를 사용하여 검색 증강 생성(retrieval-augmented generation) 구축
**OCI Generative AI embeddings** — VecDB와 함께 OCI에서 호스팅되는 임베딩 모델 사용
**Oracle Private AI Services Container** - OpenAI 스타일 추론 레이어를 갖춘 에어 갭 환경에서 사용
**의미 검색(Semantic search)** — 키워드가 아닌 의미로 결과 검색
**메타데이터 필터링(Metadata filtering)** — 벡터 유사성을 구조화된 제약 조건과 결합
**검색 진단(Search diagnostics)** — 벡터 검색 동작 검사 및 이해
**금융 데이터 검색(Financial-data search)** — 구조화된 금융 데이터셋에 벡터 검색 적용
**HNSW 조정(HNSW tuning)** — 벡터 인덱스 검색 매개변수 이해 및 조정
**대량 벡터 로딩(Bulk vector loading)** — 대규모 데이터셋 로드를 위한 접근 방식 비교
**인덱스 관리(Index management)** — 벡터 인덱스 생성, 검사 및 관리
**유지보수 워크플로우(Maintenance workflows)** — 시간이 지남에 따라 벡터 테이블 및 인덱스 운영
Oracle VecDB가 처음이신가요? 통합 임베딩과 의미 검색으로 시작한 다음, 필터링 및 HNSW 조정으로 이동하세요.
- 샘플은 /examples 디렉토리에서 찾을 수 있습니다.
- 샘플 노트북 – SDK를 통한 설정, 테이블/인덱스 워크플로우, 벡터 검색 및 추론에 대한 안내 노트북입니다.
- 샘플 애플리케이션 – 이 SDK를 사용하여 데이터 수집(ingestion), 임베딩, 검색, 필터링, 그리고 FastAPI + React/Vite 통합을 보여주는 Oracle AI Developer Hub 앱들입니다.
**시작하기****Python API 레퍼런스****샘플 애플리케이션****실습 노트북****GitHub 릴리스****로컬 관리 REST**
질문은 GitHub Discussions에서 할 수 있습니다.
문제 보고는 GitHub Issues에 제기할 수 있습니다.
이 프로젝트는 커뮤니티의 기여를 환영합니다. 풀 리퀘스트(pull request)를 제출하기 전에, 저희의 기여 가이드라인을 검토해 주십시오.
책임감 있는 보안 취약점 공개 프로세스에 대해서는 보안 가이드를 참고하십시오.
LICENSE.txt, THIRD_PARTY_LICENSE.txt, 그리고 NOTICE.txt를 확인하십시오.
이는 프로젝트를 따라가고 다른 Python 및 AI 개발자들이 이 프로젝트를 발견하는 데 도움을 줍니다.