아우라베이스 로고
아우라베이스문서
문서›가이드›RAG 및 pg벡터

RAG 및 벡터 검색 가이드

PostgreSQL pgVector와 Aurabase의 통합 AI 게이트웨이를 결합하여 초고속 의미 체계 검색 및 포괄적인 RAG(검색 증강 생성) 시스템을 구축하세요.

12분 읽기·레벨 고급·2026. 8. 19.에 개정됨
이 영어 텍스트는 프랑스어 원본에서 자동으로 생성되었으며 아직 검토되지 않았습니다.
이 페이지는 자동으로 번역되었습니다. 영어 버전은 권위가 있습니다.
#
건축

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.
#
구현

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 Gateway 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 }
}
#
성능

10ms 미만 쿼리를 위한 HNSW 인덱싱

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

HNSW 지수(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.

#
최적화

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 인메모리 캐시에서 답변이 제공되어 LLM 호출 비용을 100% 절약합니다.

마지막 업데이트 · 2026. 8. 19.