AI 에이전트 →

하이브리드 검색Hybrid Search

하이브리드 검색(Hybrid Search)은 단어로 찾는 사서와 뜻으로 찾는 사서가 함께 일하는 것 같은 것 — 키워드가 일치하는 결과와 의미가 비슷한 결과를 섞어 찾는 검색 방식이에요.

도서관 사서에게 책을 찾아 달라고 할 때, 제목에 그 단어가 정확히 들어간 책만 찾는 사서도 있고 이런 내용이면 이 책도 비슷하다고 뜻으로 찾아 주는 사서도 있어요. 둘 다 장단점이 있어서 함께 찾으면 놓치는 책이 줄어들죠. 하이브리드 검색이 그 방식이에요. 단어 일치를 보는 키워드 검색과, 문장을 숫자로 바꿔 뜻이 가까운지 보는 벡터(의미) 검색을 함께 써요.

강의에서는 자가 학습 에이전트가 과거 피드백을 찾아오게 할 때 이 문제를 겪어요. 처음엔 동의어를 보완한 키워드 검색만 썼는데, 같은 뜻이라도 표현이 달라지면 예전 피드백을 못 찾았어요. 그래서 벡터 임베딩으로 의미 검색을 추가하고 키워드 검색과 결합해, 표현이 달라도 비슷한 과거 기록을 찾게 보완해요. 키워드 검색과 벡터 검색을 같이 쓰는 이유는 정확한 단어도 잡고 비슷한 뜻도 잡기 위해서예요.

초보가 헷갈리는 건 벡터 검색이 키워드 검색보다 무조건 낫다는 생각이에요. 의미 검색은 비슷한 뜻은 잘 찾지만 상품 코드, 사람 이름, 정확한 숫자처럼 딱 그 단어가 중요한 경우엔 오히려 놓칠 수 있어요. 그래서 둘을 섞고 결과 순위를 어떻게 합칠지 조정해요. 처음부터 하이브리드로 만들 필요는 없고, 키워드 검색이 놓치는 사례가 쌓일 때 의미 검색을 더해도 괜찮아요.

💡 대표 예시

  • 피드백 검색 — 표현이 달라도 비슷한 과거 피드백을 의미 검색으로 찾는다
  • 검색 보완 — 키워드 검색 결과와 벡터 검색 결과를 합쳐 순위를 매긴다
  • 정확한 단어 — 상품 코드나 이름은 키워드 검색으로 놓치지 않게 한다
  • 학습 DB — 에이전트가 초안 쓰기 전 관련 승인·거절 기록을 불러온다

🔗 관련 용어

임베딩

임베딩 (Embedding)은 글의 뜻을 지도 위 좌표로 찍어 주는 것 같은 것 — 문장이나 이미지의 의미를 숫자 목록(벡터)으로 바꿔, 뜻이 비슷한 것끼리 가깝게 놓이게 하는 기술이에요.

키워드

키워드 (Keyword)는 손님이 가게에 와서 처음 꺼내는 한마디 같은 것 — 사람들이 검색창에 입력하는 단어나 문장으로, 콘텐츠 주제와 검색 노출을 정할 때 기준이 되는 말입니다.

RAG (검색 증강 생성)

RAG (Retrieval-Augmented Generation)는 시험 볼 때 참고서를 펴 보고 답을 쓰는 오픈북 시험 같은 것 — AI가 답하기 전에 내 자료에서 관련 내용을 먼저 찾아 그걸 근거로 답하게 하는 방식이에요.

자가 학습 에이전트(자기 개선 에이전트)

자가 학습 에이전트(Self-improving Agent)는 오답 노트로 실력을 키우는 학생 같은 것 — 작업 결과와 사람의 피드백을 쌓아 두고 다음 작업을 스스로 더 낫게 바꾸는 AI 에이전트예요.

의미 검색(시맨틱 검색)

의미 검색(Semantic Search)은 단어가 아니라 뜻을 알아듣는 도서관 사서 같은 것 — 질문과 글자가 똑같지 않아도 의미가 가까운 내용을 찾아 주는 검색 방식이에요.

벡터 DB

벡터 DB (Vector Database)는 뜻이 비슷한 책끼리 가까이 꽂아 두는 도서관 같은 것 — 임베딩으로 만든 숫자 좌표를 저장하고, 질문과 의미가 가까운 자료를 빠르게 찾아 주는 데이터베이스예요.

이 개념, 직접 적용해볼까요?

AI 에이전트를 직접 만들고 24시간 운영하는 법을 단계별 강의로 배워보세요.