RAG (Retrieval-Augmented Generation)

생성 전 관련 문서를 검색해 문맥으로 넣기 때문에, 검색 품질이 확보되면 사실성 향상과 환각 감소에 도움이 된다.

실무에서 보는 포인트

RAG에서는 생성 모델 자체보다 검색 대상을 어떻게 설계했는지가 답변 품질을 크게 좌우한다. 청크 분할, 임베딩, 검색 조건이 거칠면 답변 문장만 그럴듯하고 근거는 약해지기 쉽다.

그래서 실무에서는 LLM 문제로만 보기보다 retrieval 품질 문제로 나눠 보는 편이 더 잘 먹힌다.

실무 메모

RAG (Retrieval-Augmented Generation)는 rag, llm, retrieval, ai 문맥에서 자주 나온다. 사전식 정의만 외우기보다, 이 말로 무엇을 짧게 가리키려는지까지 맞춰 두면 문서와 대화가 덜 흔들린다.

가까운 용어와 섞이면 설명이 흐려지기 쉬우므로, 대상과 역할, 쓰이는 장면을 한 단계만 더 구체적으로 잡아 두는 편이 낫다. 용어집에서는 그 출발점을 정리해 두면 충분하다.

읽는 기준

읽을 때는 먼저 무엇에 대한 말인지, 무엇과 구분하려는 용어인지, 어떤 판단에 쓰이는지부터 잡으면 이해가 빠르다. RAG (Retrieval-Augmented Generation)는 rag, llm, retrieval, ai 문맥에 놓고 읽으면 주변 맥락도 함께 따라온다.

RAG는 검색과 LLM 생성을 결합해 답변의 최신성·근거성을 높이는 방식이다. 라는 정의만 외우기보다, 실제 대화에서 무엇을 짧게 가리키기 위한 말인지까지 보면 훨씬 쓰기 쉽다.