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 강의에서는 벡터 검색 엔진 Qdrant를 실제로 활용하는 데 필요한 전반적인 내용을 실습 중심으로 배울 수 있었다. 특히 단순한 라이브러리 호출이 아닌, Docker 기반의 Qdrant 서버를 직접 실행하고 Python 클라이언트를 통해 gRPC로 연결하는 방식은 매우 현실적인 구조였고, 로컬에서 실제 서비스를 설계하듯 구성해볼 수 있어 인상 깊었다. QdrantClient를 초기화한 뒤, 다양한 설정을 통해 컬렉션을 생성하고, 벡터와 메타데이터를 포함한 포인트들을 삽입(upsert)하고, 이를 기반으로 유사도 검색을 수행하는 일련의 흐름이 단계별로 잘 구성되어 있었다. 특히 VectorParams(size, Distance.COSINE)를 활용해 벡터의 차원 수와 거리 계산 방식을 지정하고, 384, 512, 1024, 1536차원 등 다양한 임베딩 모델에 맞게 조정하는 실습은 임베딩 전략과 벡터 저장소 설계를 함께 고민하게 만들었다.
또한 단일 벡터뿐 아니라 다중 벡터(Multi-Vector)와 희소 벡터(Sparse Vector)도 저장 가능한 고급 컬렉션 예제를 다뤄, 단순 텍스트 유사도 검색을 넘어 복합적인 벡터 표현을 통해 다양한 검색 전략을 설계할 수 있음을 체감했다. 예를 들어, 하나의 포인트에 Dense, Sparse 벡터를 동시에 저장해 Hybrid 검색을 수행할 수 있고, 필터링 기능을 활용해 특정 조건(카테고리, 키워드 등)에 맞는 결과만 추출하는 것도 가능했다. 특히 UUID 기반으로 포인트를 관리하고, JSON 형태의 메타데이터를 페이로드로 포함시켜 후속 검색에서 이를 조건으로 걸 수 있다는 점이 실무적인 검색 시나리오에 유용할 것으로 느껴졌다.
강의 후반부에서는 LangChain과의 연동도 실습해보았다. QdrantVectorStore, RetrievalMode, Retriever와 같은 구성요소를 통해 벡터 검색 기능을 자연스럽게 LangChain RAG 파이프라인에 통합할 수 있었고, OpenAI, bge 등 다양한 임베딩 모델을 선택적으로 사용하는 유연함도 배웠다. 실제 문서 분할, 임베딩, 삽입, 검색, 응답 구성까지 전체 흐름을 따라가며 서비스에 적용 가능한 RAG 시스템을 손쉽게 구현할 수 있었다.
전체적으로 이 강의는 단순한 기능 나열이 아니라, Qdrant를 활용한 엔드 투 엔드 검색 시스템 구성 능력을 길러주는 실용적인 강의였다. 특히 Docker 기반 서버 운영과 클라이언트 코드가 자연스럽게 연결되어 있어 로컬 환경 또는 클라우드 환경 어디서든 자신 있게 적용할 수 있는 역량을 키워줬다. 앞으로 개인 프로젝트나 실제 서비스에 Qdrant를 도입해볼 자신감이 생겼으며, Hybrid 검색이나 메타데이터 필터링 같은 고급 기능까지 한 번에 익힐 수 있어 매우 만족스러운 수업이었다.
