RAG 시스템

사내 기술 문서가 늘어나면서 필요한 정보를 찾는 데 시간이 오래 걸렸다. LangChain과 OpenAI Embeddings를 사용해 RAG 기반 검색 시스템을 구축한 과정을 정리했다.

사내 문서 검색 시스템에 RAG를 도입하면서 OpenAI Embedding API와 벡터 DB 간 차원 불일치 문제를 겪었다. Pinecone 인덱스 설정을 잘못 이해한 것이 원인이었고, 재생성으로 해결했다.

사내 Confluence 문서를 GPT-4로 검색할 수 있는 RAG 시스템을 구축했다. LangChain과 Pinecone을 활용해 벡터 검색 기반 QA 시스템을 만드는 과정을 정리한다.

사내 위키와 Confluence 문서를 검색하는 RAG 시스템을 구축했다. OpenAI Embedding과 Pinecone을 활용해 의미 기반 검색을 구현했고, 기존 키워드 검색 대비 만족도가 크게 개선됐다.

사내 위키와 Confluence 문서를 검색하는 RAG 시스템을 구축했다. OpenAI Embedding과 Pinecone을 활용해 벡터 검색을 구현하고, LangChain으로 파이프라인을 구성했다.

사내 기술 문서 검색을 위해 RAG 기반 시스템을 구축했다. LangChain과 Pinecone을 활용해 벡터 DB 기반 검색을 구현하고, GPT-3.5를 통해 자연어 질의응답을 가능하게 만든 과정을 정리했다.

GPT-4 API를 활용해 사내 문서 검색 시스템을 만들었다. 벡터 DB와 임베딩을 활용한 semantic search 구현 과정을 정리했다.

GPT-4 API를 활용해 사내 기술 문서 검색 시스템을 만들었다. 단순 키워드 검색의 한계를 임베딩 기반 유사도 검색으로 해결하고, LangChain으로 컨텍스트를 주입해 답변 품질을 높였다.