AI 요약
LangChain, Ollama, LanceDB, MCP를 활용해 TypeScript 프로젝트 'CorpRAG'로 개인용 RAG 지식베이스를 구축하는 튜토리얼 시리즈의 첫 편이다. 코드가 아닌 코드 이면의 맥락(기술·비즈니스 의사결정)이 프로젝트에서 쉽게 유실된다는 문제의식에서 출발해, 자연어로 질문하면 의미 기반으로 관련 결정 문서를 찾아 출처와 함께 반환하는 시스템을 목표로 한다. RAG의 개념, 인덱싱·쿼리 두 단계 구조, 주요 구성요소(LangChain, Ollama, Embedding 모델, 벡터 DB)를 설명한다.
핵심 포인트
- RAG를 "먼저 자료를 검색하고 답을 구성"하는 방식으로 정의, 환각 감소·출처 추적·지식 탐색 비용 절감 효과 강조
- 인덱싱 단계(로드→정제→청킹→임베딩→벡터DB 저장)와 쿼리 단계(질문 임베딩→유사도 검색→Top-K→프롬프트→생성)로 구조화
- 인덱싱과 쿼리에 반드시 동일한 Embedding 모델을 사용해야 함을 명시
- 기본 임베딩 모델로 nomic-embed-text, 벡터 저장소로 LanceDB 사용
향후 전망
- 프로젝트 의사결정 이력 관리(ADR)와 결합한 개인·팀 단위 지식 자산화 수요 증가 예상
- MCP 연동을 통한 에이전트 기반 지식베이스 질의 자동화로 확장 가능
출처:juejin
