# \#hyde-rag **URL:** https://discuss.pytorch.kr/tag/hyde-rag/4118.md [최신](https://discuss.pytorch.kr/latest.md) · [카테고리](https://discuss.pytorch.kr/categories.md) · [태그](https://discuss.pytorch.kr/tags.md) --- ## [Advanced RAG Cookbooks: RAG 기술에 대한 종합 가이드 (feat. Athina.AI)](https://discuss.pytorch.kr/t/advanced-rag-cookbooks-rag-feat-athina-ai/5654)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [12월 3, 2024, 10:34오후 UTC](https://discuss.pytorch.kr/t/advanced-rag-cookbooks-rag-feat-athina-ai/5654 "2024-12-03T22:34:31Z")
Advanced RAG Cookbooks 소개 RAG란 무엇인가? RAG(Retrieval-Augmented Generation)는 정보 검색과 텍스트 생성을 결합한 AI 기술로, 대형 언어 모델(LLM)의 한계를 보완하는 데 중요한 역할을 합니다. 기존 LLM은 고정된 데이터셋에 의존하여 훈련되기 때문에 최신 정보나 동적인 데이터를 처리하는 데 한계가 있습니다. 또한, "환각(hallucination)"으로 알려진 비현실적이거나 부정확한 정보를 제공할 가능성이 있습니다. RAG는 외부 데이터를 검색하여 LLM의 응답 정확성을 향상시키는 프레임워크입니다. 사용자 요청에 적합한 문서를 검색한 후, 해당 문서를 바탕으로 더욱 정확한 응답을 생성합니다. 이를 통해 RAG는 LLM의 환각 문제를 해결하고, 최신 정보를 반영하며, 사용 사례에 적합한 맞춤형 결과를 제공합니다. 이 기술은 문서 요약, 대화형 AI, 정보 검색 등 다양한 응용 분야에서 활용될 수 있습니다. 특히 비용이 많이 드는 LLM의 파인튜닝(Fine-Tuning)을 대체할 수 있는 대안으로 주목받고 있습니다. RAG의 구성 요소 RAG는 다음과 같은 4가지 주요 단계로 구성됩니다: 인덱싱(Indexing), 검색(Retriever), 증강(Augment), 생성(Generate) 인덱싱(Indexing): 문서 데이터베이스를 구축하는 단계입니다. 문서는 먼저 작은 청크(chunks)로 분리되며, 각각의 청크는 벡터화됩니다. 이러한 벡터는 검색 효율성을 높이기 위해 벡터 스토어(vector store)에 저장됩니다. 일반적으로 Pinecone, Chromadb, FAISS와 같은 벡터 스토어가 사용됩니다. 검색(Retriever): 사용자의 요청(query)에 가장 적합한 문서를 찾는 과정입니다. 검색자는 벡터 스토어에서 벡터 유사성 검색을 수행하며, 가장 관련성이 높은 문서 청크를 반환합니다. 검색 효율성과 정확도는 RAG의 성능에 큰 영향을 미칩니다. 증강(Augment):…