본문으로 건너뛰기
아우라베이스 로고
아우라베이스

RAG 및 벡터 검색 가이드

pgvector 및 Aurabase AI 게이트웨이를 사용하여 의미 체계 검색 및 RAG(검색 증강 생성) 파이프라인을 구축하세요.

튜토리얼12분 읽기레벨 고급2026. 8. 19.에 개정됨

이 페이지는 자동으로 번역되었습니다. 영어 버전은 권위가 있습니다.

Aurabase의 RAG 3단계#

RAG를 사용하면 AI 모델이 재교육 없이 개인 데이터에 정확하게 응답할 수 있습니다.

  • 벡터화: 텍스트 문서는 aura.ai.embed()를 사용하여 디지털 벡터로 변환됩니다.
  • 저장 및 인덱싱: 벡터는 기본 확장 pgvector을 사용하여 PostgreSQL에 저장됩니다.
  • 증강 및 답변: 질문은 저장된 벡터와 비교되고 관련 조각은 aura.ai.chat()을 통해 LLM에 제공됩니다.

전체 RAG 파이프라인 코드#

src/lib/index-doc.tstypescript
import { aura } from '@/lib/aurabase'

export async function indexDocument(content: string, metadata: Record<string, any>) {
  // AI 게이트웨이 Aurabase를 통한 벡터 임베딩 계산
  const { vectors } = await aura.ai.embed({
    provider: 'openai',
    model: 'text-embedding-3-small',
    input: [content],
  })

  // PostgreSQL 테이블에 저장
  const { data, error } = await aura.from('documents').insert({
    content,
    metadata,
    embedding: vectors[0],
  })
  return { data, error }
}

HNSW 10ms 미만 쿼리에 대한 인덱싱#

수십만 개의 벡터가 포함된 데이터베이스의 경우 HNSW(Hierarchical Navigable Small World) 인덱싱은 ivfflat보다 훨씬 더 나은 검색 성능을 제공합니다.

HNSW 인덱스(권장)

사전 훈련 시간이 없고 새 문서를 계속 삽입해도 99% 이상의 재현율과 일정한 대기 시간이 발생합니다.

코사인 거리(<=>)

<=> 연산자를 사용하여 임베딩 벡터 간의 정규화된 코사인 거리를 계산합니다.

시맨틱 캐시 및 토큰 절약#

Aurabase의 AI 게이트웨이는 자동 의미론적 캐시를 통합합니다. 두 명의 사용자가 비슷한 질문(0.95보다 큰 코사인 유사성)을 묻는 경우 2ms 이내에 메모리 내 캐시에서 답변이 제공되어 LLM 호출 비용을 100% 절약합니다.

더 나아가려면#