쿼리 재작성(Query rewriting)
쿼리 재작성(query rewriting)은 검색 전에 사용자의 질문을 명확히 하거나, 나누거나, 관련 용어를 더하는 식으로 바꿔, 검색기가 답을 담은 구절을 찾을 가능성을 높이는 것입니다.
다른 이름: query expansion, HyDE, query transformation
작성 Divya Sharma · 2026년 11월 15일 확인 · 리뷰 방식
사람들은 짧거나, 모호하거나, 대화체인 질문을 입력합니다. "다른 건요?"는 앞의 대화 없이는 검색 인덱스에 아무 의미가 없습니다. 검색 증강 생성에서는 재작성 단계, 보통 LLM 호출 한 번이 원래 입력을 하나 이상의 더 나은 검색 쿼리로 바꿉니다.
흔한 기법
재작성: 채팅 기록에서 대명사를 풀어 질문을 독립적인 쿼리로 다시 씁니다. 쿼리 확장: 동의어나 관련 용어를 더하며, BM25 같은 키워드 검색에 도움이 됩니다. 분해: 여러 부분으로 된 질문을 하위 쿼리로 나눠 각각 검색합니다. 멀티 쿼리: 하이브리드 검색처럼 여러 표현을 생성하고 결과를 합칩니다.
HyDE
Hypothetical Document Embeddings(HyDE)는 LLM에게 질문에 대한 가짜 답을 쓰게 한 뒤, 그 답을 임베딩해 검색에 씁니다. 가짜 답에는 틀린 세부 내용이 있을 수 있지만, 찾으려는 문서와 비슷해 보이므로 그 임베딩이 짧은 질문보다 문서에 더 가깝게 놓이는 경우가 많습니다.
연구 배경
Rewrite-Retrieve-Read 논문은 이 문제를 사용자가 입력하는 것과 검색에 필요한 것 사이의 간극으로 규정하고, 이를 위한 작은 재작성 모델을 학습시켰습니다.
한계
재작성마다 LLM 호출이 하나씩 늘어나므로 지연 시간과 비용이 올라갑니다. 재작성이 사용자의 의도에서 벗어날 수 있습니다. 원래 쿼리와 재작성된 쿼리를 모두 기록하고, 재작성이 내 데이터에서 실제로 검색 지표를 개선하는지 확인하십시오. 이를 루프 안에서 하는 것은 에이전틱 RAG의 한 형태입니다.
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.
- 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.
- 에이전틱 RAG
- 에이전틱 RAG(agentic RAG)는 AI 에이전트가 실행하는 검색 증강 생성입니다. 에이전트가 언제 검색할지, 무엇을 검색할지, 어떤 출처를 쓸지 정하고, 처음 결과가 부족하면 다시 검색할 수 있습니다.
- 임베딩
- 임베딩(embedding)은 텍스트, 이미지, 기타 데이터를 나타내는 숫자 목록(벡터)으로, 의미가 비슷한 항목끼리 가까운 벡터를 갖도록 만들어집니다.
- 검색 지표(recall@k, nDCG, MRR)
- 검색 지표(retrieval metrics)는 검색 시스템이 관련 문서를 얼마나 잘 반환하는지 점수로 나타냅니다. Recall@k는 상위 k개에 관련 항목이 얼마나 들어 있는지, nDCG는 관련 항목을 높은 순위에 올렸는지, MRR은 첫 번째 정답이 얼마나 일찍 나오는지를 봅니다.