RAG를 학습한다면, 기본적인 'PDF 챗봇'을 만들지 마세요.

만약 당신이 RAG를 배우고 있다면, 또 다른 기본적인 'PDF 챗봇'을 만들지 마세요.

대신 이 10가지 프로젝트를 만들어보세요.

이 프로젝트들은 당신을 기본적인 검색(retrieval)부터 프로덕션급 AI 시스템까지로 안내할 것입니다:

1. 하이브리드 검색 RAG (Hybrid Search RAG)
   무엇을 만들 것인가:
   BM25 키워드 검색과 밀집 벡터 검색(dense vector retrieval)을 결합하여 정확히 일치하는 내용과 의미적으로 관련된 문서를 모두 찾습니다.
   스택:
   Python · BM25 · Elasticsearch/FAISS · Sentence Transformers

2. 메타데이터 필터링 RAG (Metadata-Filtered RAG)
   무엇을 만들 것인가:
   의미 검색(semantic search)에 날짜, 카테고리, 작성자 또는 위치와 같은 필터를 결합하여 관련 컨텍스트를 좁힙니다.
   스택:
   Python · PostgreSQL · pgvector · Pydantic · OpenAI

3. 재순위화 RAG (Reranking RAG)
   무엇을 만들 것인가:
   많은 후보들을 검색한 후, 크로스 인코더(cross-encoder)를 사용하여 재순위화하고 가장 관련성이 높은 청크(chunk)만 LLM에 전송합니다.
   스택:
   Python · FAISS/pgvector · CrossEncoder/Cohere Rerank · OpenAI

4. 컨텍스트 기반 청킹 RAG (Contextual Chunking RAG)
   무엇을 만들 것인가:
   청크를 생성할 때 문서 수준의 컨텍스트를 보존하여 검색된 구절들이 그 자체로 의미를 유지하도록 합니다.
   스택:
   Python · Docling · OpenAI/Claude · pgvector

5. SQL + 벡터 RAG (SQL + Vector RAG)
   무엇을 만들 것인가:
   구조화된 데이터에는 SQL을, 비정형 지식에는 벡터 검색을 결합합니다.
   스택:
   Python · PostgreSQL · pgvector · SQLAlchemy · LangGraph

6. 지식 그래프 + 벡터 RAG (Knowledge Graph + Vector RAG)
   무엇을 만들 것인가:
   의미 검색에 개체(entity) 간의 명시적인 관계를 결합하여 사실들 사이의 연결이 중요한 질문에 답변합니다.
   스택:
   Python · Neo4j · pgvector · OpenAI · LangGraph

7. 교정 RAG (Corrective RAG)
   무엇을 만들 것인가:
   답변하기 전에 검색된 컨텍스트를 평가합니다. 만약 검색이 약하다면, 쿼리를 재작성하거나 다시 검색하거나 다른 소스를 사용합니다.
   스택:
   Python · LangGraph · OpenAI · pgvector · Tavily

8. Self-RAG
   무엇을 만들 것인가:
   시스템이 언제 검색이 필요한지 결정하고, 증거(evidence)를 평가하며, 답변이 충분히 뒷받침되는지 확인합니다.
   스택:
   Python · LangGraph · OpenAI · pgvector

9. 멀티모달 RAG (Multimodal RAG)

무엇을 만들 것인가:
모든 것을 일반 텍스트로 취급하는 대신, 텍스트, 표, 이미지 및 문서 페이지를 검색하고 추론합니다.

스택:
Python · Docling · 멀티모달 LLM · 벡터 DB · OpenAI

10. 에이전틱 RAG (Agentic RAG)

무엇을 만들 것인가:
어떤 지식 소스나 도구를 사용할지 결정하고, 필요한 경우 여러 검색 단계를 수행하며, 그 결과를 결합하는 에이전트를 구축합니다.

스택:
Python · LangGraph · OpenAI · 벡터 DB · 검색 API

흥미로운 점은 무엇일까요?

이 10가지가 완전히 분리된 아키텍처는 아닙니다.

여러분은 이들을 결합할 수 있습니다.

하이브리드 검색(Hybrid search) + 재순위 지정(reranking) + 메타데이터 필터링(metadata filtering) + 교정적 검색(corrective retrieval)이 결국 하나의 프로덕션 RAG 파이프라인이 될 수 있습니다.

만약 RAG를 진지하게 학습하고 있다면, 다음 단계에서 멈추지 마세요:

"문서를 검색하여 LLM에 전송할 수 있다."

검색을 어떻게 정확하고(accurate), 맥락적이며(contextual), 검증 가능하고(verifiable), 적응적으로(adaptive) 만들 수 있는지 배우세요.