본문으로 건너뛰기
ReviewRamble

주간 브리프

AI 리뷰를 받은편지함으로.

  • 도구, 모델, MCP 서버, 저장소의 새 리뷰(결론부터)
  • 변경이 있을 때 다시 확인한 가격과 평점
  • 새로 발행된 분석 글

모델, 에이전트, MCP 서버, 그리고 정말 시간을 들일 만한 도구.

일주일에 한 통입니다. 각 브리프의 링크로 구독을 해지할 수 있습니다. 이메일 사용 방식

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.

출처