지식 베이스(AI)
AI 앱에서 지식 베이스(knowledge base)는 어시스턴트나 에이전트가 질문에 답하려고 검색하는 문서와 데이터의 모음으로, 도움말 문서, 정책, 제품 문서 등이 있으며 모델 자체와는 따로 관리됩니다.
다른 이름: knowledge base, KB
작성 Divya Sharma · 2026년 11월 15일 확인 · 리뷰 방식
모델에 내장된 지식은 학습 시점에 고정되고 비공개 자료는 담고 있지 않습니다. 지식 베이스는 시스템이 찾아볼 수 있도록 그런 자료를 두는 곳입니다. 실제로는 원본 파일과, 이를 처리해 만든 검색 가능한 인덱스를 함께 뜻합니다.
안에 든 것
지식 베이스 파이프라인은 보통 위키, Google Drive, 헬프데스크 같은 출처에서의 수집, 문서 파싱, 청킹, 임베딩, 그리고 벡터 데이터베이스나 검색 인덱스에의 저장을 포함합니다. 질의할 때는 검색 증강 생성을 위해 관련 청크를 검색합니다. Amazon Bedrock Knowledge Bases 같은 관리형 서비스가 이 단계들을 묶어 제공합니다.
예시
사내 인사 어시스턴트의 지식 베이스에 직원 핸드북, 복리후생 PDF, 휴일 달력이 들어 있습니다. 누군가 육아 휴직에 대해 물으면, 핸드북의 관련 부분을 검색해 그것을 바탕으로 인용과 함께 답합니다.
쓸모 있게 유지하기
어려운 부분은 검색이 아니라 콘텐츠입니다. 오래되었거나 중복된 문서는 자신감 있어 보이는 틀린 답을 만듭니다. 변경과 삭제가 인덱스에 반영되도록 동기화 과정이 필요하고, 사람들이 허락된 것만 검색하도록 접근 규칙이 필요하며, 이는 흔히 메타데이터 필터링으로 처리합니다.
관련 용어
지식 그래프는 지식 베이스를 텍스트 청크가 아니라 연결된 개체로 구조화하는 한 가지 방법입니다. 에이전트 메모리는 비슷하지만 미리 정리해 두는 것이 아니라 에이전트가 사용 중에 씁니다.
관련 용어
- 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.
- 벡터 데이터베이스(Vector database)
- 벡터 데이터베이스(vector database)는 임베딩을 원본 레코드와 함께 저장하고, 쿼리 벡터에 가장 가까운 저장된 벡터를 찾습니다. 보통 근사 인덱스를 써서 수백만 개 항목에서도 검색이 빠르게 유지됩니다.
- 지식 그래프
- 지식 그래프(knowledge graph)는 정보를 이름 붙은 관계로 연결된 개체(사람, 제품, 장소, 개념)로 저장해, 소프트웨어가 느슨한 텍스트를 뒤지는 대신 사실 사이의 연결을 따라갈 수 있게 합니다.
- 에이전트 메모리
- 에이전트 메모리(agent memory)는 사용자에 관한 사실이나 과거 작업처럼 AI 에이전트가 하나의 컨텍스트 윈도를 넘어서는 정보를 유지하게 해 주는 기법들입니다. 정보를 모델 밖에 저장했다가 필요할 때 다시 불러옵니다.
- 문서 파싱
- 문서 파싱(document parsing)은 PDF, 스캔본, 슬라이드, 스프레드시트 같은 파일을 소프트웨어가 쓸 수 있는 구조화된 텍스트로 바꾸는 작업입니다. 평평한 문자열이 아니라 제목, 읽는 순서, 표, 이미지를 유지합니다.
- 청킹
- 청킹(chunking)은 긴 문서를 임베딩하고 색인하기 전에 더 작은 구절로 나누는 단계로, 검색 시스템이 문서 가운데 질의에 답하는 부분만 찾아 돌려줄 수 있게 합니다.