blog.ruahverce Vol · 2026 · Issue 017 — A field log of LLMs, RAG, and ML systems

Knowledge pillar · active

Advanced RAG·지식 시스템

29 entries

Graph·멀티홉·멀티모달 RAG와 문서 수명주기, LLM Wiki, 지식 거버넌스를 함께 다룹니다.

№027 llm-wiki-engineering · 01

LLM Wiki란 무엇인가: AI 챗봇·RAG·전통 위키와 구분하기 (1/6)

LLM Wiki의 뜻을 지속 가능한 지식 산출물이라는 기준으로 정의합니다. 전통 위키·AI 챗봇·RAG·DeepWiki를 구분하고 출처·구조·검수·갱신·재사용의 판별 기준을 제시합니다.

#LLMWiki #AI지식베이스 #RAG #DeepWiki
원천 문서가 LLM을 거쳐 출처가 연결된 페이지와 그래프로 변환되고 사람과 AI 에이전트가 다시 사용하는 LLM Wiki 개념도
№022 llm-wiki-engineering · 06

LLM Wiki 구현 2: 검증·승인·증분 갱신으로 운영하기 (6/6)

LLM Wiki 구현의 후반부를 완성합니다. Proposal을 staging에 렌더링하고 evidence·schema·link·graph·secret·coverage를 검증한 뒤 사람 승인과 증분 갱신으로 운영합니다.

#LLMWiki #KnowledgeGovernance #HumanInTheLoop #DataLineage
LLM Wiki 후보가 staging 검증과 사람 승인을 거쳐 canonical로 승격되고 source 변경으로 다시 갱신되는 운영 루프
№021 advanced-rag-architectures · 02

Microsoft GraphRAG 해부: Local·Global·DRIFT Search (2/10)

Microsoft GraphRAG의 TextUnit·entity·relationship·Leiden community·community report indexing을 따라가고 local·global·DRIFT search의 질문 유형·비용·평가 기준을 구분합니다.

#RAG #GraphRAG #KnowledgeGraph #Microsoft
TextUnit에서 entity·relation을 추출해 Leiden community report를 만들고 entity 중심 local, corpus 중심 global, 반복 탐색 DRIFT로 routing하는 Microsoft GraphRAG 구조
№020 advanced-rag-architectures · 01

Knowledge Graph RAG 기초: Entity·Relation·Path (1/10)

Vector 유사도 검색과 Knowledge Graph의 차이를 이해하고 entity·relation·claim·provenance·entity resolution·graph traversal을 설계해 관계형 질문에 답하는 RAG를 만듭니다.

#RAG #KnowledgeGraph #GraphRAG #Retrieval
문서 chunk에서 entity, relation, claim과 provenance를 추출해 graph와 vector index를 함께 만들고 query entity에서 관련 path와 원문 근거를 검색하는 Knowledge Graph RAG 구조
№019 advanced-rag-architectures · 03

Multi-hop RAG: Retrieve↔Reason Loop와 Evidence Chain (3/10)

한 번의 검색으로 풀 수 없는 bridge·comparison·constraint 질문을 subgoal과 unresolved slot으로 분해하고 retrieval observation으로 다음 query를 만드는 multi-hop RAG를 설계합니다.

#RAG #MultiHop #IRCoT #Reasoning
복합 질문을 subgoal로 분해하고 검색 결과의 bridge entity로 다음 query를 만든 뒤 출처가 연결된 evidence chain으로 답을 검증하는 multi-hop RAG loop
№018 advanced-rag-architectures · 04

Hierarchical RAG: Parent-Child·RAPTOR·HippoRAG (4/10)

작은 chunk의 검색 정밀도와 큰 문맥의 이해를 함께 얻는 parent-child retrieval부터 RAPTOR 요약 트리, HippoRAG 연상 그래프까지 계층형 RAG를 비교 설계합니다.

#RAG #RAPTOR #HippoRAG #KnowledgeGraph
Flat chunk, parent-child 문서 계층, RAPTOR 요약 트리, HippoRAG 연상 그래프의 검색 단위와 정보 흐름을 비교한 표지
№017 advanced-rag-architectures · 05

Multimodal Document RAG: ColPali·VisRAG (5/10)

PDF의 텍스트·표·차트·레이아웃을 보존하기 위해 OCR과 layout parsing, ColPali late interaction, VisRAG visual retrieval을 비교하고 hybrid 문서 RAG를 설계합니다.

#RAG #MultimodalRAG #ColPali #VisRAG
PDF 페이지를 OCR과 layout element로 변환하는 text lane, page image를 patch vector로 검색하는 visual lane, 두 결과를 합치는 multimodal RAG
№016 advanced-rag-architectures · 06

Long Context vs RAG: 언제 무엇을 쓸까? (6/10)

큰 context window가 있어도 retrieval이 필요한 이유를 attention·비용·신선도·권한으로 나누고, Long Context·RAG·Hybrid를 query별로 선택하는 라우터를 설계합니다.

#RAG #LongContext #ContextWindow #QueryRouting
질문의 corpus 범위, freshness, ACL, citation, cost 조건에 따라 Long Context, RAG, retrieve-then-read hybrid로 분기하는 의사결정 흐름
№015 advanced-rag-architectures · 09

Learned Retrieval Policy: Self-RAG·FLARE·RouteRAG (9/10)

검색 여부·시점·source·query·종료를 하나의 policy로 모델링하고 Self-RAG, FLARE, Adaptive-RAG부터 2026 RouteRAG·Reflective RAG까지 단계적으로 비교합니다.

#RAG #AgenticRAG #SelfRAG #FLARE
Query와 evidence state에서 no retrieval, text·graph search, rewrite, verify, answer를 고르고 observation과 reward로 학습하는 RAG policy loop
№014 advanced-rag-architectures · 08

Reranker·Generator 학습: RankT5·RA-DIT (8/10)

실제 retrieval candidate로 monoT5·RankT5 reranker를 학습하고, noisy·contradictory·no-answer context에서 근거 있는 답을 생성하도록 RA-DIT식 dual tuning을 설계합니다.

#RAG #Reranking #RankT5 #RADIT
Dense retriever 후보를 RankT5 reranker가 정렬하고 source가 연결된 context로 generator를 학습하며 LM feedback으로 retriever까지 조정하는 dual tuning 흐름
№013 advanced-rag-architectures · 07

Dense Retriever 학습: Hard Negative·Synthetic Query (7/10)

Domain RAG의 dense retriever를 positive·in-batch·hard negative로 학습하고, ANCE mining과 GPL·InPars·Promptagator식 synthetic query를 안전하게 만드는 방법을 설명합니다.

#RAG #DenseRetrieval #HardNegative #ContrastiveLearning
문서에서 synthetic query와 positive pair를 만들고 BM25·ANN·teacher로 hard negative를 채굴해 bi-encoder를 학습·평가·재색인하는 retriever flywheel
№012 advanced-rag-architectures · 10

Advanced RAG 평가: RAGAS·ARES·RAGChecker (10/10)

Graph·multi-hop·multimodal·long-context·agentic RAG를 retrieval, claim support, trajectory, cost로 분해하고 RAGAS·ARES·RAGChecker 기반 재현 가능한 실험을 설계합니다.

#RAG #RAGEvaluation #RAGAS #ARES
RAG를 retrieval, context, claim generation, trajectory, operations 층으로 나누고 deterministic·human·model judge와 실험 manifest로 release를 판정하는 평가 구조
№001 rag-techniques · 01

RAPTOR — 재귀 요약 트리로 긴 문맥을 검색하는 RAG 기법

RAPTOR는 문서를 재귀적으로 클러스터링·요약해 추상화 레벨이 다른 트리를 쌓는 RAG 인덱싱 기법입니다. GMM+UMAP 클러스터링부터 collapsed tree 검색까지 코드와 함께 정리합니다.

#RAG #Retrieval #RAPTOR #LangChain
rag-techniques 시리즈 1편 — RAPTOR 재귀 요약 트리 기반 Retrieval