최근 RAG (Retrieval-Augmented Generation), 임베딩 (Embeddings), 그리고 벡터 데이터베이스 (Vector Databases)에 관한 많은 논의를 보고 있습니다.
이로 인해 궁금증이 생겼습니다. 모든 AI 문서 챗봇에 정말 벡터 데이터베이스가 필요할까요?

그래서 저는 Google의 Open Knowledge Format (OKF)을 탐구하고, 이 접근 방식이 어디에 적합한지 더 잘 이해하기 위해 Ask-Your-Markdown을 구축했습니다. 또한 제가 배운 내용을 공유하는 블로그 글도 작성했습니다. 기사와 GitHub 저장소 모두 아래에 언급되어 있습니다.

OKF에 대해 궁금하셨다면, 이 글이 도움이 되기를 바랍니다.

GitHub logo imelanthirayan / Ask-Your-Markdown

AI 또는 오프라인 검색을 사용하여 Markdown 파일 폴더에 대해 질문하세요. Google의 Open Knowledge Format (OKF)을 기반으로 구축되었습니다.

📚 Ask Your Markdown

Markdown 파일 폴더에 대해 질문하고 - 당신의 문서에 근거한 답변을 얻으세요.

데이터베이스 없음. 임베딩 (Embeddings) 없음. 벤더 종속 (Vendor lock-in) 없음. 오직 OKF로 정리되어 LLM (Large Language Model) 유무와 상관없이 탐색할 준비가 된 당신의 Markdown 파일뿐입니다.

**Open Knowledge Format (OKF)**를 기반으로 구축되었습니다 - 이는 Google Cloud에서 제공하는 개방형이며 특정 업체에 종속되지 않는 표준입니다.

OpenAI · Azure AI Foundry와 함께 작동하거나, 완전히 **오프라인 (Offline)**으로 작동합니다.

Insights

모든 AI 문서 챗봇에 정말 벡터 데이터베이스 (Vector Database)가 필요할까요?

요약

핵심 포인트

GitHub logo imelanthirayan / Ask-Your-Markdown

AI 또는 오프라인 검색을 사용하여 Markdown 파일 폴더에 대해 질문하세요. Google의 Open Knowledge Format (OKF)을 기반으로 구축되었습니다.

📚 Ask Your Markdown

🧭 목차

🧭 목차

댓글

내가 공개적으로 구축 중인 오픈 소스 AI 마케팅 OS

첫 번째 클라우드 에이전트는 페어 프로그래밍보다는 엔지니어를 채용하는 느낌에 더 가까웠다

정확한 문자열이 아닌 의미를 기반으로 한 시맨틱 캐싱 키 — 쿼리를 임베딩하고 코사인 유사도로 캐시를 매칭하여 임계값 이상일 때 HIT

Gradient accumulation: 적은 메모리로 큰 배치 크기를 흉내 내는 방법 — .grad는 이미 합산되므로, 각 마이크로 배치를

내가 공개적으로 구축 중인 오픈 소스 AI 마케팅 OS

첫 번째 클라우드 에이전트는 페어 프로그래밍보다는 엔지니어를 채용하는 느낌에 더 가까웠다

정확한 문자열이 아닌 의미를 기반으로 한 시맨틱 캐싱 키 — 쿼리를 임베딩하고 코사인 유사도로 캐시를 매칭하여 임계값 이상일 때 HIT

Gradient accumulation: 적은 메모리로 큰 배치 크기를 흉내 내는 방법 — .grad는 이미 합산되므로, 각 마이크로 배치를