RAG·LangChain

벡터DB 필터링 성능 차이, 함정과 비용 점검

RAG 벡터DB 필터링 성능 차이를 선택도·post-filtering·비용 관점에서 실측 수치로 점검한 운영 가이드.

2026-10-20

LlamaIndex RAG 파이프라인 실측 검증기

LlamaIndex 기본 설정으로 문서 QA가 되는지, 청킹·임베딩·top_k·검색 방식을 바꿔가며 지표와 비용으로 검증한 실험 기록.

2026-10-17

LanceDB 인덱스 선택, 함정과 숨은 비용 정리

LanceDB 인덱스·필터·GPU 비용의 함정을 실측 자료 기준으로 점검한다. RAG용 벡터DB 선택 전 체크리스트.

2026-10-15

긴 문서 요약 전처리, 검색 단위 분해가 핵심인 이유

긴 문서 QA에서 요약 전처리를 압축이 아닌 검색 단위 분해로 설계하고, 청크·하이브리드 검색·reranker·평가를 분리 검증한 실험 기록.

2026-10-12

Pinecone, RAG 비용·검증 실험 기록

Pinecone을 RAG에 쓸지 판단하려고 비용 단위·하이브리드 검색·보안 조건을 직접 측정 설계한 실험 기록. 2026년 기준 공식 자료만 인용.

2026-10-11

RAG 평가셋 만들기: 흔한 함정과 숨은 비용

문서 QA 평가셋을 만들 때 놓치기 쉬운 구조적 함정과 실제 발생하는 비용을 실측 사례와 함께 정리했다.

2026-10-09

차원 수와 메모리: RAG 벡터DB는 몇 GB가 필요한가

임베딩 차원별 벡터DB 메모리를 공개 벤치마크로 검증. Qdrant·Milvus·Weaviate·pgvector 실측치와 선택 기준 정리.

2026-10-09

근거 표시 방식의 함정과 숨은 비용

RAG 문서 QA에서 인용 링크가 붙어도 근거가 주장을 지지하지 않는 경우를 TREC·GaRAGe 실측치로 짚고, 운영 비용까지 점검한다.

2026-10-08

색인 갱신 주기, 벡터DB 선택의 숨은 함정

RAG 벡터DB의 '색인 갱신 주기'는 전체 재색인 스케줄이 아니라 신선도 지연이다. 함정과 운영 비용을 수치로 정리했다.

2026-10-07

메타데이터 필터 실험기: 문서 QA RAG 검증 기록

메타데이터 필터를 pre/post/in-algorithm 방식으로 나눠 선택도별 recall·지연시간을 검증한 실험 기록.

2026-10-04

로컬 벡터DB 대 관리형, 비용은 어디서 갈릴까

pgvector·Qdrant·Milvus와 Pinecone·Zilliz Cloud를 수치와 함께 비교하고, RAG 운영에서 놓치기 쉬운 비용 함정을 정리합니다.

2026-10-04

RAG 청크 크기 실험, 무엇을 검증했나

청크 64~1024토큰 비교 실험을 검색 성능·비용 지표로 검증. 정답은 하나가 아니라 질의 유형별 비교 설계였다.

2026-10-02

백업과 재색인, 벡터DB 비용의 숨은 변수

벡터DB 선택 시 저장료 뒤에 숨은 백업·재색인 비용을 실험 조건으로 분해해 무엇을 측정해야 하는지 점검한 글.

2026-10-01

문서 QA RAG 평가, 흔한 함정과 숨은 비용

문서 QA RAG 평가에서 정답률만 보면 놓치는 것들 — 회수·근거성·표 문서·멀티모달·자체 벤치마크 비용까지 실측 기준으로 정리.

2026-09-29

로컬 벡터DB, RAG 용도별로 뭘 검증했나

로컬 벡터DB(Qdrant·Milvus·pgvector·Chroma) 선택 기준을 recall·p95/p99 latency·비용으로 실험 검증한 기록.

2026-09-29

컨텍스트 조립 실험: 청크·검색·rerank 어디서 무너지나

문서 QA의 컨텍스트 조립을 청크·검색·rerank·평가 단계로 나눠 실험하고, 2025~2026 벤치마크 수치로 어디까지 검증됐는지 정리했다.

2026-09-27

Milvus, RAG에 쓰기 전에 봐야 할 함정과 비용

Milvus를 RAG용 벡터DB로 검토하며 확인한 지연시간·QPS·인덱스 선택 함정과 실제 운영 비용을 실험 노트 형식으로 정리했다.

2026-09-25

하이브리드 검색, 문서 QA에서 언제 쓰나

BM25+벡터+재랭킹 하이브리드 검색을 문서 QA에 실측 수치로 검증. 언제 필요하고 어디서 막히는지 정리.

2026-09-24

Qdrant 실사용 검증: RAG에서 언제 맞았나

Qdrant를 RAG 벡터DB로 쓸 때 언제 강점이 나오고 언제 흔들리는지, 공개 벤치마크·사례로 검증한 실험 기록.

2026-09-24

리랭킹의 함정과 비용, 도입 전 체크

문서 QA에 리랭킹을 넣기 전 확인해야 할 함정과 비용을 2025~2026년 공개 벤치마크 수치로 정리했다.

2026-09-22

Qdrant 필터링, RAG에서 언제 강해지는가 검증기

Qdrant 필터링이 RAG에서 실제로 빠른 조건을 payload index 실측 수치로 검증한 실험 기록.

2026-09-21

임베딩 모델 선택, 벤치마크 함정과 숨은 비용

임베딩 모델을 리더보드 순위로만 고르면 놓치는 지연·비용·코퍼스 문제를 2026년 공개 벤치마크 수치로 짚는다.

2026-09-19

pgvector 도입 전 확인할 함정과 비용

pgvector를 RAG에 쓰기 전 봐야 할 벤치마크 조건, 인덱스 함정, 운영 비용을 실측 수치로 정리했다.

2026-09-18

청킹 전략: RAG 검색 정확도를 좌우하는 선택지들

한국어 문서 QA를 위한 청킹 크기·오버랩·전략 선택. 500~1,000자 고정 크기와 계층적 청킹의 트레이드오프를 2026 실측 데이터로 검증.

2026-07-18

Weaviate로 RAG 하이브리드 검색 구현하기—1000만 벡터 규모의 실측

Weaviate의 하이브리드 검색(BM25+Vector)과 멀티모달 처리가 정말 RAG에서 동작하는지 검증. 1.8ms 레이턴시, False Positive 40% 감소의 실제 조건과 한계를 기록.

2026-07-17

Pinecone의 함정: 관리형 편의는 비용으로 온다

Pinecone은 5M+ 벡터에서 p95 15~30ms 지연을 보장하는 관리형 벡터DB지만, 월 $3,300 이상 비용과 벤더 종속성이 숨겨진 대가다. RAG 프로덕션 선택 시 실제 함정들.

2026-07-17

Chroma는 언제까지 써야 할까? 벡터DB 확장성의 분기점

RAG 프로토타입에 최적화된 Chroma의 실제 한계를 1,000만 벡터 규모와 QPS 지표로 검증했습니다. 언제 다른 벡터DB로 전환해야 하는지 실측 수치로 정리했습니다.

2026-07-17