하이브리드 검색
하이브리드 검색(hybrid search)은 같은 질의로 키워드 검색과 벡터 검색을 함께 실행하고 두 순위 목록을 합쳐, 결과가 정확한 단어와 의미 모두로 일치할 수 있게 합니다.
다른 이름: hybrid retrieval
작성 Divya Sharma · 2026년 11월 15일 확인 · 리뷰 방식
벡터 검색은 바꿔 쓴 표현에 강하고 정확한 식별자에 약합니다. BM25를 쓰는 키워드 검색은 그 반대입니다. 정확한 오류 코드는 찾지만, 문서에 "authentication failure"라고 쓰여 있을 때 "the app crashes on login"은 놓칩니다. 하이브리드 검색은 둘을 모두 실행해 합치므로, 실제 사용자가 입력하는 질의를 대개 더 많이 처리합니다.
목록을 합치는 방법
두 검색은 서로 다른 척도의 점수를 내므로 단순히 더할 수 없습니다. 흔히 두 가지 방법을 씁니다. 상호 순위 융합(RRF, reciprocal rank fusion)은 원래 점수를 무시하고 어느 목록에서든 높은 순위에 오른 문서에 보상을 주며, 조정이 필요 없습니다. 가중 점수 융합은 각 목록의 점수를 정규화하고, 흔히 alpha라고 부르는 가중치로 섞어 각 쪽의 비중을 정합니다.
예시
개발자 문서 사이트에 특정 HTTP 상태 코드와 "retry"라는 단어가 들어간 질의가 들어옵니다. BM25는 그 코드가 정확히 들어 있는 페이지를 찾습니다. 벡터 검색은 그 코드를 전혀 언급하지 않는 백오프 전략 페이지를 찾습니다. 융합이 둘 다 상위에 올립니다.
어디에 맞는가
하이브리드 검색은 첫 단계입니다. 팀들은 흔히 상위 결과를 리랭킹 모델에 보내 최종 순서를 정한 뒤 검색 증강 생성 프롬프트에 넘깁니다. Weaviate 같은 많은 벡터 데이터베이스가 이를 직접 지원합니다. 키워드 쪽에서는 학습 기반 희소 검색이 BM25를 대신할 수 있습니다.
관련 용어
- BM25
- BM25는 키워드 검색을 위한 순위 공식입니다. 질의의 단어가 문서에 얼마나 자주 나오는지로 각 문서에 점수를 매기며, 드문 단어에 더 큰 가중치를 주고 긴 문서와 반복된 단어에는 점수를 덜 줍니다.
- 벡터 검색(Vector search)
- 벡터 검색(vector search)은 항목의 임베딩을 쿼리의 임베딩과 비교해 가장 가까운 것을 돌려주는 방식으로 항목을 찾습니다. 그래서 결과가 공통 키워드가 아니라 의미로 일치합니다.
- 리랭킹(Reranking)
- 리랭킹(reranking)은 후보 문서의 짧은 목록을 받아, 첫 검색보다 더 정확하지만 느린 모델로 쿼리와의 관련도에 따라 다시 정렬하는 두 번째 검색 단계입니다.
- 희소 검색(Sparse retrieval)
- 희소 검색(sparse retrieval)은 쿼리와 문서를 어휘 전체에 걸친 벡터로 표현하되, 대부분의 항목이 0이고 0이 아닌 항목은 각각 단어 가중치인 방식입니다. 그래서 키워드 검색처럼 빠른 역색인을 쓸 수 있습니다.
- 검색 증강 생성(Retrieval-augmented generation)
- 검색 증강 생성(retrieval-augmented generation, RAG)은 시스템이 먼저 문서 모음에서 질문과 관련된 구절을 검색한 뒤, 그 구절을 언어 모델에 주어 답변이 이를 바탕으로 하게 하는 패턴입니다.