노드 체계와 지식베이스 RAG — 노코드에서도 RAG 개념은 그대로 요구된다
워크플로우를 구성하는 노드 17종의 선택 기준과, 노코드 플랫폼의 지식베이스가 요구하는 청킹·임베딩·검색 설정을 실측값과 함께 정리한다.
RAG 파이프라인 8단계와 문서 파싱, Agentic RAG의 자기교정, GraphRAG
25편
워크플로우를 구성하는 노드 17종의 선택 기준과, 노코드 플랫폼의 지식베이스가 요구하는 청킹·임베딩·검색 설정을 실측값과 함께 정리한다.
노코드 도입은 도구 도입이 아니라 병목 리스크를 거버넌스 리스크로 바꾸는 결정이다. 코드와 노코드를 가르는 기준, 앱 5종의 구조 차이, 사내망 종결 구성을 정리한다.
PDF를 의미 단위 블록으로 분해하고 표와 그림을 VLM으로 번역하는 파이프라인을 다룬다. 좌표 정규화, 그래프 기반 재구성, 그리고 표를 두 벌로 저장하는 설계까지.
로컬 LLM은 싸게 하려고 쓰는 것이 아니다. GGUF 형식과 양자화 등급, VRAM 산정 공식, Ollama 운영, 그리고 온프레미스 도입을 판단하는 기준을 정리한다.
표·이미지 해설을 만드는 프롬프트 4종의 설계 의도와 XML 태그·가상질문·수치 강조가 필요한 이유, 그리고 파싱 품질이 의심될 때의 진단 순서를 정리한다.
검증 루프를 실제로 돌렸을 때 무엇이 관측되는지, 압축기에서 생성 권한을 제거하는 설계, 그리고 RAG 품질을 계층별 지표로 관리하는 체계를 정리한다.
Fan-out/Fan-in의 전제 조건과 평가가 나쁠 때 어느 모듈로 되돌아갈지의 문제, 그리고 서브그래프가 그대로 멀티에이전트로 확장되는 구조를 정리한다.
비동기가 줄이는 것은 지연이 아니라 처리량이다. LangChain의 비동기 API와 트레이싱 관측, 그리고 API 키·예산 상한으로 비용 사고를 막는 구조를 정리한다.
노코드 워크플로우의 고급 패턴부터 관측·비용 통제·거버넌스 3계층까지, 개발자 없이 굴러가는 AI 업무를 확산 속도를 떨어뜨리지 않고 통제하는 구조를 정리한다.
그래프를 노드로 꽂는 서브그래프 합성과 스키마가 다를 때의 변환 래퍼, 그리고 이미 돌아가는 파이프라인 중간에 신규 단계를 끼워 넣는 7단계 절차를 정리한다.
단방향 파이프라인이 무너지는 지점을 짚고, 모듈 경계를 정하는 일곱 가지 기준과 앞 단계를 다시 돌리지 않고 이어서 개발하는 기법을 정리한다.
RAG 실패의 상당수는 문서를 텍스트로 바꾸는 순간 이미 결정된다. 파싱 손실이 복구 불가능한 이유와 BaseLoader로 비표준 포맷을 다루는 구현법을 정리한다.
실제 노코드 워크플로우 9개를 분해해 배타 분기와 병렬 실행의 차이, 비정형을 배열로 바꾸는 진입 경로, 그리고 MCP가 퍼블리시 계층에 붙는다는 사실까지 정리한다.
RAG 비용의 실체인 토큰 구조와 컨텍스트 윈도우 예산을 정리하고, 적게 넣어야 한다면 무엇을 넣을지 고르는 MMR 알고리즘까지 이어서 다룬다.
element를 유형별로 갈라 처리하고 VLM으로 엔티티를 뽑아 페이지 단위로 재조립하는 노드 9개를 따라간다. 표를 Document 2개로 만드는 이유까지.
노트북 코드를 책임별 모듈로 분해한 4세대 구조를 다룬다. Document Parse v2 응답 스키마, 16줄짜리 노드 추상 클래스, 리듀서로 동시성을 설계하는 상태 스키마까지.
검색이 빗나가도 답이 나오는 구조적 이유를 진단하고, 판정을 도구로 외부화해 자기교정 루프를 만드는 설계와 프롬프트 네 번의 개정 기록을 정리한다.
청크 크기·top-k·임베딩 모델 교체처럼 RAG 설계에서 반복해 부딪히는 판단을 결론부터 정리하고, 자주 굳어지는 오해를 함께 교정한다.
토큰 비용을 줄이는 순서와 로컬 LLM 판단 기준, 병목을 가리는 관측 방법, 유지보수 가능한 워크플로 설계, 그리고 노코드를 확산시키며 통제하는 구조를 정리한다.
RAG와 그 위에 얹힌 에이전트 기술을 네 개 층으로 나눠 지도를 그리고, 2024년 중반부터 2026년 중반까지 지배적 질문이 어떻게 옮겨 갔는지 정리한다.
RAG를 8단계로 나눠 전체 지도를 그리고, 사전처리의 첫 두 단계인 문서 로드와 텍스트 분할의 선택지·튜닝 파라미터·실패 모드를 정리한다.
청크를 벡터로 바꿔 저장하고 다시 꺼내 오는 검색 계층을 다룬다. 임베딩 모델 선택, 벡터스토어 비교, dense·sparse·하이브리드 검색기, 그리고 2단계 검색의 리랭커까지.
검색된 근거를 답변으로 바꾸는 생성 계층을 다루고, RAG가 잘 안 될 때 어느 단계의 문제인지 특정하는 진단표로 8단계를 닫는다.
사내 문서 RAG 정확도가 낮을 때 어디부터 보는지, 표와 그림을 살리는 방법, 그리고 검증 루프로 할루시네이션을 구조로 막는 설계를 정리한다.
지식 그래프가 무엇이고 GraphRAG가 벡터 RAG와 어떻게 다른지, Graph DB 선택과 구축 파이프라인, 그리고 KG를 도입하지 말아야 할 조건까지 정리한다.