본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다.
https://fastcampus.info/4n8ztzq
(~6/20) 50일의 기적 AI 환급반💫 | 패스트캠퍼스
초간단 미션! 하루 20분 공부하고 수강료 전액 환급에 AI 스킬 장착까지!
fastcampus.co.kr
이번 실습에서는 단일 질의 기반의 전통적인 RAG 시스템이 갖는 한계를 넘어, 다양한 표현으로 질의를 확장해 보다 넓고 정밀한 검색이 가능하도록 하는 Multi-Query Retriever를 중심으로 학습하였습니다. 강의는 매우 실무 중심으로 구성되어 있어, 실제 서비스를 기획하거나 구축하려는 사람에게 강력한 인사이트를 제공합니다.
특히 인상 깊었던 부분은 LangGraph의 활용이었습니다. 복잡한 검색 흐름을 마치 상태 머신처럼 노드 단위로 분리하여 관리할 수 있고, 멀티쿼리 생성 이후 각 쿼리의 검색 결과를 합쳐 다시 하나의 응답을 만드는 구조는 실제 프로덕션 레벨에서도 유용하게 적용될 수 있다고 느꼈습니다. start → multi_query → retrieval → combine_docs → generate → end로 구성된 워크플로우는 명확하고 확장성 있는 설계를 보여줍니다.
또한 Gemma를 통한 질의 다각화는 단순히 paraphrase 수준을 넘어 의미 기반의 표현 확장을 이끌어내며, 이로 인해 보다 풍부한 문서 검색이 가능해졌습니다. 사용자가 모호하게 질문하더라도, 이를 다양한 표현으로 재해석해 문서 누락을 방지하고 견고한 검색 시스템을 구축할 수 있었습니다.
Qdrant를 벡터저장소로 사용하면서 벡터 기반 검색의 실무 적용법도 익혔고, 임베딩 및 문서 청킹, 메타데이터 부착까지의 전처리도 체계적으로 배울 수 있었습니다. 문서의 길이를 분석하여 청킹 전략을 세우는 부분은 특히 데이터 기반 의사결정을 실현하는 좋은 예시였습니다.
마지막으로 강의 전체가 LangChain과 LangGraph, LLM API, 로컬 모델과 오픈 API 조합, 그리고 워크플로우 구성과 디버깅 전략까지 골고루 다루고 있어 한 단계를 더 성장할 수 있는 실습이었습니다. 이 강의를 통해 Multi-Query 기반 RAG 시스템의 설계부터 구현, 튜닝까지 한 사이클을 온전히 경험할 수 있었습니다. 실무에 즉시 적용 가능한 고급 내용을 원한다면 반드시 수강해야 할 내용이라고 생각합니다.
