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

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.

다른 이름: vector store, vector DB

작성 Divya Sharma · 2026년 11월 15일 확인 · 리뷰 방식

일반 데이터베이스는 "status = open인 행을 찾아라"에 답합니다. 벡터 데이터베이스는 "이것과 가장 비슷한 항목을 찾아라"에 답하며, 유사도는 임베딩 사이에서 측정합니다. 대부분의 검색 증강 생성 시스템, 시맨틱 검색, 추천 기능 뒤에 있는 저장 계층입니다.

하는 일

각 벡터를 ID, 그리고 출처, 날짜, 소유자 같은 메타데이터와 함께 보관합니다. 근사 최근접 이웃 검색을 위해 흔히 HNSW 인덱스를 만듭니다. 삽입, 갱신, 삭제도 처리하며, 유사도와 메타데이터 필터링을 결합할 수 있게 합니다.

선택지

Pinecone, Qdrant, Milvus처럼 벡터 전용으로 만든 제품이 있습니다. Postgres용 pgvector처럼 이미 운영 중일 수 있는 데이터베이스에 벡터 검색을 더하는 것도 있습니다. Faiss 같은 라이브러리는 데이터베이스 부분 없이 인덱스만 제공하므로 저장, 갱신, 필터링은 직접 처리해야 합니다. 벡터 데이터베이스 가이드에서 이들을 비교합니다.

벡터 인덱스와의 차이

인덱스는 검색을 빠르게 만드는 자료 구조입니다. 데이터베이스는 그 인덱스를 내구성, 접근 제어, 복제, API로 감쌉니다. 벡터가 수천 개인 프로토타입이라면 메모리 내 인덱스나 심지어 전수 탐색으로도 충분한 경우가 많습니다.

한계

결과는 근사치이므로 실제 이웃 중 일부를 놓칠 수 있습니다. 많은 제품이 키워드 검색이나 하이브리드 검색도 지원하며, 이는 임베딩이 잘 다루지 못하는 정확한 용어에 도움이 됩니다.

관련 용어

HNSW
HNSW(hierarchical navigable small world)는 근사 최근접 이웃 검색을 위한 그래프 기반 인덱스입니다. 벡터를 여러 층에 걸쳐 이웃과 연결해, 검색이 가장 가까운 결과 쪽으로 빠르게 건너뛸 수 있게 합니다.
임베딩
임베딩(embedding)은 텍스트, 이미지, 기타 데이터를 나타내는 숫자 목록(벡터)으로, 의미가 비슷한 항목끼리 가까운 벡터를 갖도록 만들어집니다.
근사 최근접 이웃 검색
근사 최근접 이웃(ANN, approximate nearest neighbor) 검색은 저장된 모든 벡터를 확인하지 않고 질의와 가까운 벡터를 찾는 방법입니다. 정확한 최적의 결과라는 보장을 포기하는 대신, 대규모 컬렉션에서 훨씬 빠르게 검색합니다.
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.
메타데이터 필터링(Metadata filtering)
메타데이터 필터링(metadata filtering)은 날짜, 작성자, 언어, 접근 그룹 같은 저장된 속성이 주어진 조건에 맞는 항목으로 검색을 제한하는 것으로, 벡터 유사도 순위 매기기와 함께 또는 그 전에 적용합니다.
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.

출처