Knowledge & Retrieval
글 12편 · 2026년 7월 20일 ~ 2026년 9월 1일 · RAG · Context·Memory Engineering · Knowledge Graph · 도메인 지식베이스
매일 핵심 AI 뉴스 알림 받기지식베이스·온톨로지·RAG·그래프 등 지식을 컨텍스트로 만들어 AI 가 읽을 수 있게 쓰이는 사례를 연구합니다
한 계정으로 묶은 RAG가 조직의 백도어가 되는 순간 인제스트 과정에서 문서 권한 정보가 청크에 상속되지 않으면 검색 시스템이 조직 전체를 가로지르는 접근 경로가 되며, 서비스 계정 합집합 검색과 사후 필터링은 이를 막지 못한다. 검색 단계부터 사용자 세션 기준 권한 검증과 철회 SLA 점검이 필요하다. ALL ARTICLES
- 기업용 SQL, 언제까지 '자연어 질문'만 던질 것인가 기업용 Text-to-SQL은 검색 방식 개선보다 검색 대상이 되는 지식, 즉 실제 쿼리에서 뽑은 조인·필터·CTE 패턴을 SQL 레퍼런스 카드로 정제하는 작업이 성능을 더 크게 좌우한다.
- 찾는 RAG에서 판단하는 RAG로 검색 결과가 질문과 관련 있어도 답에 필요한 정보가 빠져 있을 수 있다. Google의 Agentic RAG는 초안을 만든 뒤 근거가 충분한지 다시 판정하고, 부족하면 빠진 부분을 검색어로 바꿔 재검색한다.
- 벡터 DB 수백만 원 쓰고도 졌다고? 에이전트 검색에서 grep이 이긴 이유 AI 에이전트의 검색 성능은 검색 알고리즘 자체보다 하네스와 결과 전달 방식에 더 크게 좌우되며, grep과 벡터 검색의 우열도 조건에 따라 뒤바뀐다.
- 검색 알고리즘이 아니라 ‘검색 인터페이스’가 승부를 결정한다 검색 결과 양을 늘려도 정확도는 오르지 않았고, 무엇을 찾고 읽을지 모델이 직접 정하는 구조에서 토큰을 적게 쓰고도 더 정확한 답이 나왔다.
- 벡터 DB에 쌓아도 기억이 아니다. 에이전트 ‘메모리’가 구조적으로 전문가가 못 되는 이유 에이전트가 대화 기록을 저장했다 불러오는 것과 가중치가 실제로 바뀌는 학습은 다른 과정이며, 검색 기반 기억만으로는 처음 보는 조합 문제를 푸는 능력이 늘지 않는다.
- GraphRAG, 확장보다 압축이 먼저다 AWS와 Cisco가 아홉 가지 RAG 방식을 비교한 결과, 검색은 정답의 83.5%를 찾았지만 답변에 반영된 비율은 47.9%에 그쳤다. 컨텍스트 앞부분 정보만 주로 쓰였고 관계를 압축해 걸러낸 GraphRAG는 토큰을 줄이면서도 성능을 유지했다.
- 도메인 지식베이스의 병목 유사도 검색은 관련 문서를 찾아내지만 그 조항이 지금도 유효한지는 확인하지 못한다. 법률, 의약품, 사내 문서 사례에서 답변 근거는 발효일과 승인 주체, 대체 관계를 갖춘 항목으로 따로 관리한다.
- 컨텍스트 다이어트의 함정 에이전트 메모리는 통째로 요약해 덮어쓰면 정확도가 오히려 떨어진다. ACE 연구는 항목 단위로 추가하고 성공률을 기록해 만료시키는 방식이 정확도와 비용을 함께 지킨다는 결과를 보여준다.
- 에이전트가 그래프를 대신 짜면, GraphRAG는 여전히 필요한가 GraphRAG는 여러 문서의 근거를 연결하는 multi-hop 질의에서 강점을 보이지만 단순 사실 확인에는 비용이 과하다. 그래프는 구축비를 먼저 내고 재사용하는 구조라 자료 변경 빈도와 질의 반복도, 근거 소급 설명 필요성에 따라 선택이 갈린다.
- 하이브리드 검색 라우터 시대, 그래프는 롱컨텍스트 앞에서 자리를 지킬 수 있는가 롱컨텍스트 비용이 계속 떨어지는데도 기업은 왜 그래프 인덱스를 유지하는가. 검색 성능 축에서는 과도기적 수단이지만, 감사·책임 축에서는 장기 기반으로 남는다 — 라우터가 그 경계를 조직 구조 위에 그린다.
- Cerebras의 지식베이스가 주는 교훈 Cerebras가 데이터 이동 대신 검색 레이어로 하루 1만5000건 질문을 처리한 내부 지식베이스 사례에서 국내 기업이 얻을 구조화 우선순위의 교훈.