eli5 스킬 알아보기
eli5는 모르는 주제를 큰 그림과 적은 단어로 설명하는 HTML 아티팩트를 만들어주는 Claude Code 스킬입니다. Anthropic이 운영하는 커뮤니티 마켓플레이스에 올라와 있습니다. 이름은 “Explain Like I’m 5”에서 왔습니다. 1. 스킬 없이 물어볼 때 모르는 주제를 그냥 물으면 답변은 대개 문단과 불릿으로 돌아옵니다. ...
KKamJi
Bedrock Knowledge Bases와 n8n으로 Slack RAG 챗봇 구축하기
AWS Bedrock Knowledge Base 글에서는 Knowledge Bases의 구성 요소와 API, 접근제어를 정리했습니다. 이번 글은 그중 S3 Vectors를 직접 선택한 Customer-managed Knowledge Base를 실제로 조립한 기록입니다. 사내 정책 문서(Google Docs)를 지식 소스로 삼아, Slack에서 봇을 멘...
AWS Bedrock Knowledge Base로 관리형 RAG 구축하기
RAG 시리즈에서 chunking, 임베딩, 벡터 DB, hybrid search, 보안까지 RAG 파이프라인을 직접 구성하는 관점으로 다뤘습니다. Amazon Bedrock Knowledge Bases는 이 중 데이터 수집, 파싱, 청킹, 임베딩, 색인, 검색을 서비스 API로 연결해 주는 선택지입니다. 현재 Bedrock은 저장소와 검색 인프라까지...
WSL2에서 Hermes Agent로 개인 ChatGPT 구독 기반 자율 AI Agent 구축하기
Hermes Agent는 터미널과 메시징 환경에서 동작하는 self-hosted open-source agent입니다. Command-line interface(CLI) 대화만 제공하는 도구가 아니라 memory, SOUL.md persona, skills, cron, messaging gateway를 조합할 수 있습니다. 이 글은 Windows Su...
RAG LLM API 연동과 고급 기법 - Citation, GraphRAG, Agentic RAG [RAG 7]
RAG 1편부터 6편까지 검색 파이프라인을 인덱싱, 벡터 DB, 검색 정확도, 보안, 지연/평가 순으로 살펴봤습니다. 검색된 청크를 LLM에 넘기면 답을 만드는 generation 단계가 남습니다. 이 단계에서 출처(citation)를 어떻게 보장하는지, 표준 vector RAG를 넘어서는 고급 기법인 GraphRAG와 Agentic RAG가 사내 정...
Datadog RUM 알아보기 - Real User Monitoring 개념과 Observability [Datadog 1]
서버 쪽 observability는 APM, logs, metrics로 비교적 익숙하게 다룹니다. 그런데 “백엔드는 200 OK로 빠르게 응답했는데 사용자는 느리다고 한다”는 상황은 server-side 신호만으로는 잘 잡히지 않습니다. 느린 렌더링, 레이아웃 이동, 브라우저 JS 에러처럼 사용자가 실제로 겪는 문제는 대부분 client-side에서 ...
RAG 지연 최적화와 평가 - 캐싱, 인덱스 튜닝, Ragas [RAG 6]
지금까지의 시리즈에서 검색 품질을 높이는 인덱싱, 벡터 DB, hybrid search와 접근제어를 다뤘습니다. 실제 서비스에 올리면 그다음으로 마주치는 문제는 응답이 느리다는 점입니다. RAG는 매 질문마다 검색과 생성을 모두 수행하므로 단계마다 지연이 쌓이고, 정확도를 높이려 붙인 reranking이나 접근제어가 다시 지연을 늘립니다. RAG의 지...
RAG 보안과 접근제어 - RBAC, PII, Prompt Injection과 캐시-권한 충돌 [RAG 5]
RAG 2편부터 4편까지 “어떻게 하면 잘 검색하는가”를 다뤘습니다. 하지만 사내 정책 문서를 대상으로 RAG를 만들면, 정확도보다 먼저 부딪히는 제약이 있습니다. 정책 문서는 부서마다 열람 권한이 다르고, 이름/연락처/주민번호 같은 PII를 품고 있으며, 검색된 문서가 그대로 LLM 프롬프트로 들어가는 구조라 기존 시스템에 없던 새로운 공격면이 생깁...
RAG 검색 정확도 - Hybrid Search와 Reranking [RAG 4]
RAG 2편에서 청킹과 임베딩을, 3편에서 벡터 DB와 인덱스를 살펴봤습니다. 그런데 dense 벡터 검색만으로는 검색 품질에 한계가 있습니다. 임베딩은 의미가 비슷한 문장을 잘 찾지만, “제3조” 같은 정확한 조항 번호나 고유명사, 제품명 매칭에는 오히려 약합니다. dense 검색과 키워드 검색을 결합하는 Hybrid Search, 두 검색 결과를 ...
RAG 벡터 DB와 인덱스 - HNSW/IVF와 pgvector vs Qdrant [RAG 3]
RAG 2편에서 문서를 청크로 나누고 임베딩으로 벡터화하는 인덱싱 설계를 살펴봤습니다. 벡터가 쌓이면 다음 문제는 질의와 가까운 후보를 어떤 비용으로 찾느냐입니다. 정확 검색과 ANN의 차이, 대표 인덱스인 HNSW와 IVF, 저장소인 pgvector와 Qdrant를 선택 기준과 함께 정리합니다. 인덱스는 검색 품질을 직접 보장하지 않습니다. 같은 품...