두 가지 RAG는 자료를 읽는 방식이 다릅니다
둘 다 사내 문서를 근거로 AI가 답하는 방식(RAG)이지만, 답에 이르는 경로가 다릅니다.
벡터 검색형 RAG
문서를 작은 조각으로 나눈다
자료를 수백 자 단위의 조각(청크)으로 잘라냅니다.
조각을 벡터화해 저장한다
임베딩 모델로 숫자의 나열로 바꿔 벡터 DB에 넣어 둡니다.
질문과 비슷한 조각을 몇 개 꺼낸다
질문도 벡터화해, 의미가 가까운 조각을 위에서부터 몇 개만 고릅니다.
꺼낸 조각만 읽고 답한다
선택되지 않은 부분은 AI의 눈에 들어오지 않습니다.
내비게이션형 RAG
자료를 목차처럼 정리한다
업로드한 자료를 AI가 주제별 계층(스킬)으로 묶습니다.
목차(스킬 트리)를 갖춰 둔다
어느 자료에 무엇이 적혀 있는지를 AI가 따라갈 수 있는 형태로 저장합니다. 벡터 DB는 쓰지 않습니다.
질문에 맞춰 목차를 따라간다
AI가 목차를 위에서부터 살펴보며 관련 있어 보이는 자료를 고릅니다.
필요한 문서를 읽고 답한다
고른 문서를 읽고 그것을 근거로 답합니다. 기재된 내용이 없으면 그렇다고 답합니다.
스킬 트리는 AI를 위한 자료의 목차입니다
예를 들어 '연차 휴가는 어떻게 신청하나요?'라는 질문을 받으면, AI는 다음과 같이 목차를 따라가 읽을 자료를 찾습니다.
- 인사·노무
- 휴가·휴일
- 취업규칙_2025.pdf이 자료를 읽고 답변
- 근태·재택근무
- 휴가·휴일
- 경비·구매
- 경비 정산
- 정보 보안
벡터 검색형 RAG와의 차이
- 사전 준비
- 벡터 검색형 RAG임베딩 모델과 벡터 DB를 준비하고, 문서 분할 방식을 조정
- 모노시리 AI RAG(내비게이션형)파일을 업로드하기만 하면 됨
- 자료를 읽는 방식
- 벡터 검색형 RAG질문과 비슷한 조각 몇 개만 꺼냄
- 모노시리 AI RAG(내비게이션형)목차를 따라가 필요한 문서를 읽으러 감
- 여러 자료에 걸친 질문
- 벡터 검색형 RAG필요한 조각이 상위에 들지 않으면 답하기 어려움
- 모노시리 AI RAG(내비게이션형)목차에서 관련 자료를 골라 함께 읽음
- 자료에 기재되지 않은 질문
- 벡터 검색형 RAG비슷한 조각을 바탕으로 답해 버리는 경우가 있음
- 모노시리 AI RAG(내비게이션형)'기재되어 있지 않다'고 답하도록 설계
- 답변의 근거
- 벡터 검색형 RAG구축 방식에 따라 다름
- 모노시리 AI RAG(내비게이션형)관리 화면에서 참조한 자료의 파일명을 표시
- 자료 추가·교체
- 벡터 검색형 RAG분할과 벡터화를 다시 수행
- 모노시리 AI RAG(내비게이션형)스킬 트리를 자동으로 다시 생성
| 항목 | 벡터 검색형 RAG | 모노시리 AI RAG(내비게이션형) |
|---|---|---|
| 사전 준비 | 임베딩 모델과 벡터 DB를 준비하고, 문서 분할 방식을 조정 | 파일을 업로드하기만 하면 됨 |
| 자료를 읽는 방식 | 질문과 비슷한 조각 몇 개만 꺼냄 | 목차를 따라가 필요한 문서를 읽으러 감 |
| 여러 자료에 걸친 질문 | 필요한 조각이 상위에 들지 않으면 답하기 어려움 | 목차에서 관련 자료를 골라 함께 읽음 |
| 자료에 기재되지 않은 질문 | 비슷한 조각을 바탕으로 답해 버리는 경우가 있음 | '기재되어 있지 않다'고 답하도록 설계 |
| 답변의 근거 | 구축 방식에 따라 다름 | 관리 화면에서 참조한 자료의 파일명을 표시 |
| 자료 추가·교체 | 분할과 벡터화를 다시 수행 | 스킬 트리를 자동으로 다시 생성 |
※ 벡터 검색형 RAG 항목은 일반적인 구성을 나타낸 것으로, 특정 제품을 가리키지 않습니다.
벡터 DB도 임베딩 모델도 준비하지 않아도 됩니다
RAG를 직접 만들 때 필요한 문서 분할·벡터화·데이터베이스 구축이 전혀 필요 없습니다. 파일을 업로드하면 AI가 따라갈 목차(스킬 트리)가 자동으로 만들어집니다.
적혀 있지 않은 것은 '기재되어 있지 않다'고 답합니다
AI는 목차를 따라가 자료를 읽으러 가기 때문에, 어디에도 적혀 있지 않다는 것을 알아챌 수 있습니다. 그럴 때는 추측으로 지어내지 않고 '문서에는 기재되어 있지 않습니다'라고 답하도록 설계되어 있습니다.
어떤 자료를 보고 답했는지 바로 확인할 수 있습니다
관리 화면의 채팅에서는 답변 아래에 참조한 자료의 파일명이 표시됩니다. 클릭하면 자료를 열어 내용을 직접 확인할 수 있습니다.
※ LINE·Slack에서 받은 답변에는 자료명이 표시되지 않습니다.
자료를 교체하면 목차도 자동으로 다시 만듭니다
자료를 추가·교체·삭제하면 스킬 트리가 자동으로 다시 만들어집니다. 분할 설정이나 인덱스 재구축 같은 작업은 필요 없습니다.
작동 원리에 관한 자주 묻는 질문
관련 아티클
벡터 검색형 RAG의 한계와, 내비게이션형에 이르게 된 과정을 블로그에서 자세히 설명합니다.
컨텍스트 엔지니어링이란? 사내 지식으로 실천하는 5단계
프롬프트를 아무리 다듬어도 사내 AI의 답변이 안정되지 않는 이유는 묻는 방식이 아니라 AI에게 건네는 정보에 있습니다. 컨텍스트 엔지니어링의 의미, 프롬프트 엔지니어링·RAG와의 차이, 사내 지식에 적용하는 5단계를 해설합니다.
「RAG 불필요론」은 정말일까? 사내 지식 AI 판단 축 6가지
롱 컨텍스트 LLM의 등장으로 「RAG는 필요 없다」고 말해지는 시대. 정말로 불필요한 경우와 여전히 RAG가 필요한 경우를 6가지 판단 축으로 정리하고, 사내 지식 AI 선정의 실무 지침을 해설합니다.
Corpus2Skill이란? RAG와 skill 모드의 차이 해설
「AI가 거짓말할까 걱정된다」「복잡한 질문에는 답하지 못한다」. 벡터 검색형 RAG의 환각 문제와 검색 정확도의 한계를 Monoshiri AI가 내비게이션형 RAG(skill 모드)로 어떻게 해결했는지 실제 사례와 함께 설명합니다.
