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

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.

출처