태그: Vector Database
5편
-
Vector Database 가이드 — AI 시대의 Pinecone·Weaviate·Qdrant·Milvus
벡터 DB 개념, 임베딩·유사도 검색, Pinecone·Weaviate·Qdrant·Milvus 비교, 벤치마크·요금·RAG·추천 실무까지 한 번에 정리합니다. Vector Database·RAG·Embedding 중심.
-
LangChain.js로 LLM 앱 만들기: Runnable과 LCEL, 문서 분할·임베딩, Pinecone·pgvector RAG
LangChain.js의 Runnable과 LCEL로 프롬프트와 모델을 연결하고, 문서 분할·임베딩 후 Pinecone과 Supabase pgvector에 저장해 RAG를 구현합니다. 스트리밍, 토큰 한도, Next.js App Router 통합까지 다룹니다.
-
Pinecone으로 벡터 검색 구현하기: 임베딩 저장, 메타데이터 필터, RAG와 문서 챗봇
Pinecone 인덱스를 만들고 OpenAI 임베딩을 upsert한 뒤 메타데이터 필터를 곁들여 유사도 검색하는 방법, 검색 결과를 LLM 프롬프트에 붙이는 RAG Chain, LangChain 통합과 문서 챗봇 구현까지 코드로 설명합니다.
-
ChromaDB로 로컬 벡터 검색 만들기: 임베딩 전략, 메타데이터 필터, LangChain RAG
ChromaDB에 문서를 넣고 HNSW 기반 근사 최근접 이웃 검색과 메타데이터 필터를 함께 쓰는 방법, 거리 척도와 커스텀 임베딩 선택, PersistentClient 영속화, LangChain을 이용한 RAG 챗봇 구성을 예제로 설명합니다.
-
RAG로 사내 데이터를 LLM에 연결하기: 임베딩과 벡터 DB, 청크 전략, Python 구현
문서를 청크로 나누고 임베딩해 벡터 DB에 넣은 뒤 질문과 가까운 조각을 찾아 LLM 프롬프트에 붙이는 RAG 파이프라인을 Python으로 구현합니다. 청크 크기와 오버랩, 메타데이터 필터링, MMR, 하이브리드 검색과 리랭킹도 비교합니다.