RAG 간단 리뷰

참고 자료
논문(Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks)
LangChain
HayStack
GitHub-Harrison Chase

---

RAG(Retrieval-Augmented Generation) 는 외부 지식소스를 검색해서 생성 모델의 입력으로 활용하는 방식으로, 제한된 파라미터 수만으로는 기억할 수 없는 정보를 외부 문서에서 보완하는 방법입니다.

항목	RAG (Retrieval-Augmented Generation)	DB (Database)
목적	문서 기반 질의응답(QA) 또는 생성 모델 보완	구조화된 데이터 저장 및 CRUD 작업
데이터 구조	비구조화 문서 (텍스트, PDF 등)	구조화 데이터 (테이블, 필드 등)
검색 방식	의미 기반 검색 (벡터 임베딩)	키워드/조건 기반 검색 (SQL 등)
응답 방식	검색한 내용을 기반으로 LLM이 자연어 생성	쿼리 결과 그대로 반환 (정형 데이터)
사용 사례	챗봇, 문서 요약, 규제 응답 시스템 등	회계 시스템, 고객 정보 관리 등
지식 업데이트	문서 추가 후 벡터화 필요	데이터 삽입/업데이트로 즉시 반영

CRUD란
“Create, Read, Update, Delete”의 약어로 데이터베이스와 같은 시스템에서 기본적인 데이터 관리 기능을 의미

RAG

구성요소

• Retriever - 질문과 유사한 문서들을 벡터 기반으로 검색(e.g. FAISS,Weaviate)
• Generator - 검색한 문서를 바탕으로 LLM이 자연어 응답 생성

장점

LLM이 최신 문서나 사내 문서를 바탕으로 정교한 응답 가능

DB

• 형태 - MySQL, PostgerSQL 등 SQL 문으로 작업
• 주요 작업 - Create, Read, Update, Delete(CRUD)
• 장점 - 빠르고 정확한 정형 데이터 검색 및 보관

개념	역할/기능	비유 (관계형 DB 환경)
documents (JSON)	원본 데이터 저장소	DB 테이블에 저장된 실제 데이터
임베딩 벡터	원본 텍스트를 수치화한 표현	테이블에 인덱스를 걸기 위해 만든 컬럼 값들
FAISS 등 벡터 인덱스	벡터 기반 빠른 검색 구조	SQL 쿼리나 인덱스로 검색 최적화
검색 결과	인덱스를 통해 찾은 문서 및 정보	SQL 쿼리 실행 후 출력 데이터

---

추후 RAG 추가 예정