상위: AI & ML
Foundational 🌱
RAG의 근간을 이루는 핵심 아이디어와 기본적인 구현 방식
1. Simple RAG
2. RAG with CSV Files
3. Reliable RAG
4. Optimizing Chunk Sizes
5. Proposition Chunking
Query Enhancement 🔍
부정확하거나 모호한 사용자 질문을 더 나은 검색 결과로 이끌도록 가공하는 기술
6. Query Transformations
7. HyDE (Hypothetical Document Embedding)
8. HyPE (Hypothetical Prompt Embedding)
Context Enrichment 📚
LLM에게 전달되는 컨텍스트의 질을 높여 더 나은 답변을 유도하는 기술
9. Contextual Chunk Headers (CCH)
10. Relevant Segment Extraction (RSE)
11. Context Window Enhancement
12. Semantic Chunking
13. Contextual Compression
14. Document Augmentation
Advanced Retrieval 🚀
단일 검색 방식을 넘어, 여러 전략을 결합하거나 다단계 프로세스를 통해 검색 품질을 극대화하는 기술
15. Fusion Retrieval
16. Reranking
17. Multi-faceted Filtering
18. Hierarchical Indices
19. Ensemble Retrieval
20. Dartboard Retrieval
21. Multi-modal RAG with Captioning
Iterative Techniques 🔄
한 번에 완벽한 답을 찾기보다, 여러 번의 시도를 통해 점진적으로 결과의 질을 높이는 동적인 접근법
22. Retrieval with Feedback Loop
23. Adaptive Retrieval
24. Iterative Retrieval
Code file 없음.
Advanced Architecture 🏗️
기존 RAG의 구성 요소를 재해석하거나 결합하여 새로운 차원의 성능을 추구하는 프레임워크
25. Graph RAG with LangChain
26. Microsoft GraphRAG
27. RAPTOR (Recursive Abstractive Processing for Tree-Organized Retrieval)
28. Self-RAG
29. Corrective RAG (CRAG)
Production & Ops 🏭
프로덕션 RAG 운영·아키텍처 심화 (전반: RAGOps)
Agentic RAG — 루프 기반 추론 아키텍처
Hybrid Search — Sparse+Dense 결합 검색
RAG Observability — 트레이싱·모니터링
RAG Guardrails — 3계층 안전성
Graph RAG 🕸️
지식그래프를 검색에 결합하는 계열 (구현체 Microsoft GraphRAG · Graph RAG with LangChain은 Advanced Architecture 참고)