#RAG

13 posts tagged

Guide08.072026-08-07 09:0016 min read

Agent-as-Retriever: RAG가 기본값이 아니게 된 이유

Vector RAG를 먼저 만들고 agent를 붙이는 방식에서, agent가 grep·read·tool call로 필요한 context를 직접 찾는 구조로 이동하는 흐름을 정리한다.

#Agentic Search #RAG #Context Engineering+2

Guide07.262026-07-26 09:0019 min read

PageIndex와 Quarkify를 보며 생각한 구조형 인덱스 — Vector RAG를 대체할 수 있을까

PageIndex와 Quarkify는 문서와 코드를 chunk로 납작하게 만들지 않고 구조형 인덱스로 바꾸는 접근이다. 기존 vector RAG와 비교했을 때 무엇이 좋아지고, 대규모 데이터에서는 어디까지 통할 수 있는지 정리한다.

#RAG #retrieval #PageIndex+4

Guide07.222026-07-22 09:0022 min read

도메인 사전으로 Retriever 성능을 올리는 법 — 동의어 치환을 넘어 Concept Registry로

특정 도메인에서 retriever recall을 높이기 위해 단어사전, 매핑테이블, 온톨로지를 어떻게 설계하고 검색 파이프라인에 적용해야 하는지 기존 연구와 실무 패턴을 바탕으로 정리한다.

#retrieval #RAG #search+4

Concept07.192026-07-19 09:0019 min read

AI 기본기 6: Retrieval과 RAG — LLM에게 필요한 지식을 어떻게 찾아 줄 것인가

Dense retrieval, sparse retrieval, bi-encoder, cross-encoder, reranking, chunking을 연결해 RAG가 단순 문서 주입이 아니라 검색 모델과 생성 모델의 결합 문제임을 이해한다.

#AI기본기 #RAG #retrieval+2

Concept07.162026-07-16 09:0021 min read

AI 기본기 3: 표현 학습과 임베딩 — 모델은 세상을 어떤 좌표계로 바꾸는가

원-핫 인코딩, dense embedding, hidden representation, contrastive learning을 연결해 딥러닝이 데이터를 벡터 공간으로 바꾸는 방식을 이해한다.

#AI기본기 #deep-learning #embedding+2

Paper Review07.062026-07-06 09:0025 min read

[AI Search] AcuRank: Reranking Compute를 어려운 쿼리에 더 쓰는 법

AcuRank 논문을 AI Search stack 관점에서 읽는다. LLM listwise reranker를 고정된 횟수로 돌리는 대신, TrueSkill 기반 불확실성으로 top-k 경계가 애매한 문서에 reranking compute를 집중하는 방법을 정리한다.

#AI Search #AcuRank #reranking+3

Paper Review07.062026-07-06 09:0021 min read

[AI Search] Gemini Embedding 2: Multimodal Search를 위한 Unified Embedding

Gemini Embedding 2 논문을 AI Search stack 관점에서 읽는다. 텍스트, 이미지, 비디오, 오디오를 하나의 embedding space로 묶는 native multimodal embedding이 검색 시스템과 RAG, 추천, agentic search에 어떤 의미를 갖는지 정리한다.

#AI Search #Gemini Embedding 2 #multimodal+3

Paper Review07.062026-07-06 09:0024 min read

[AI Search] LDAR: Long Context와 RAG 사이에서 Distractor를 피하는 검색

LDAR 논문을 AI Search stack 관점에서 읽는다. Long-context LLM에 모든 문서를 넣는 방식과 top-k RAG 사이에서, LLM이 distractor에 흔들리지 않도록 similarity distribution만 보고 검색 범위를 학습하는 방법을 정리한다.

#AI Search #LDAR #RAG+3

Paper Review07.062026-07-06 09:0020 min read

[AI Search] Position Bias: Dense Retriever가 문서 앞쪽을 좋아하는 이유

Position Bias in Dense Retrievers 논문을 AI Search stack 관점에서 읽는다. Dense retriever의 위치 편향이 모델 구조만의 문제가 아니라 fine-tuning 데이터에서 정답 근거가 어디에 있었는지에 의해 강하게 학습될 수 있음을 정리한다.

#AI Search #dense-retrieval #position-bias+3

Tool07.012026-07-01 09:0020 min read

Memora: 에이전트 메모리는 RAG보다 더 섬세해야 한다

Microsoft Memora를 통해 에이전트 메모리에서 추상화와 구체성을 분리해야 하는 이유를 정리한다.

#agent-memory #RAG #Memora+2

Paper Review05.192026-05-19 09:006 min read

[논문 리뷰] A-RAG: Agentic RAG가 2026년의 기본기가 된 이유

단일 retriever→generator 파이프라인이 한계를 보이는 가운데, 질의 분해·병렬 검색·검증·합성을 에이전트가 분담하는 A-RAG의 계층적 검색 인터페이스를 살펴본다.

#RAG #agentic-rag #retrieval

Paper Review05.052026-05-05 16:2016 min read

[논문 리뷰] EnterpriseRAG-Bench: 사내 지식 RAG 벤치마크

위키·뉴스 데이터에 치우쳐 있던 RAG 벤치마크의 한계를 지적하고, Slack·Gmail·Jira 등 9종 사내 소스를 모사한 50만 문서 규모의 합성 코퍼스와 500개 질문셋을 제안한 논문.

#RAG #benchmark #evaluation

Paper Review04.302026-04-30 22:3013 min read

[논문 리뷰] SEISMIC — Learned Sparse Retrieval을 마이크로초 단위로 끌어내리기

SPLADE 같은 Learned Sparse Retrieval은 좋지만 느렸다. 1차 검색에 100ms. SEISMIC은 'Concentration of Importance' 한 가지 관찰에서 출발해 같은 정확도를 0.3ms에 — 100배 이상 빠르게 만든다. SIGIR 2024 best paper 후보로 꼽힌 IR 인덱스 구조.

#RAG #retrieval #sparse+1