벡터 데이터베이스 (SQLite, PostgreSQL로 직접 만드는 시맨틱 검색과 RAG)

분명 문서 안에 있는 내용인데 AI는 모른다고 답합니다. 모델 탓일까요? 같은 LLM이라도 필요한 정보를 얼마나 정확히 찾아 전달하느냐에 따라 답변의 품질이 달라집니다. 텍스트, 이미지, 오디오처럼 형태가 다른 데이터도 벡터로 표현하면 키워드가 일치하지 않아도 의미가 비슷한 정보를 찾아낼 수 있습니다. 그렇다면 벡터는 어떻게 만들어지고, 저장되고, 검색될까요?
이 책은 임베딩과 유사도 검색, 인덱스, RAG까지 벡터 데이터베이스의 핵심 개념을 직접 코드로 구현하며 익히는 책입니다. 어려운 이론부터 파고들거나 복잡한 인프라를 먼저 구축할 필요는 없습니다. 익숙한 SQLite3와 PostgreSQL에 벡터 검색 기능을 더하고, 시맨틱 검색을 거쳐 실제로 작동하는 RAG 시스템까지 확장해 봅니다. FAISS와 pgvector, Ollama를 활용해 모든 과정을 직접 따라 할 수 있습니다. 코드를 하나씩 실행하다 보면 벡터 검색이 어떻게 작동하는지, 검색 결과가 LLM의 답변을 어떻게 바꾸는지 자연스럽게 손에 잡힐 겁니다.
● SQLite3, PostgreSQL 등 익숙한 SQL 데이터베이스에 벡터 검색 기능을 더하는 실전 방법
● 로컬 LLM과 벡터 검색을 결합해 개인용부터 실무용까지 RAG 애플리케이션을 구축하는 방법
● 임베딩 생성부터 인덱스 선택과 최적화, 하이브리드 검색까지 실제 문제에 적용하는 방법
● 벡터 검색을 관계형 데이터베이스와 통합하고, 벤더에 종속되지 않는 벡터 쿼리 언어(VQL)로 다루는 방법