AI 에이전트 →

의미 검색(시맨틱 검색)Semantic Search

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

의미 검색은 눈치 빠른 도서관 사서와 비슷해요. '잠이 안 올 때 읽을 책'이라고 물으면 제목에 '잠'이라는 글자가 없어도 불면증이나 명상 책을 찾아 주죠. 일반 키워드 검색은 입력한 단어가 들어간 글만 찾지만, 의미 검색은 문장의 뜻을 숫자 묶음(벡터)으로 바꿔 비교해서 의미가 가까운 내용을 찾아와요. 그래서 유사도 검색이라고도 불러요.

강의에서는 내 강의 내용을 데이터화해 활용하는 데 의미 검색을 써요. 강의 자료를 잘게 나눠 임베딩(숫자로 바꾸기)한 뒤 Supabase 같은 데이터베이스에 벡터로 저장하고, 질문이 들어오면 그 질문과 의미가 가까운 부분을 찾아와요. 이걸 RPC 함수로 만들어 RAG 챗봇과 연결하면 내 강의 내용을 근거로 답하는 챗봇이 돼요. 상세 페이지를 쓸 때도 의미 검색으로 관련 강의 내용을 찾아 근거로 활용해요.

'의미 검색은 키워드 검색과 무엇이 다른가요?'의 답은 글자가 같은지가 아니라 뜻이 가까운지를 본다는 거예요. 대신 상품 코드나 고유 이름처럼 정확히 일치해야 하는 검색은 오히려 키워드 검색이 나을 때가 있어요. 그래서 두 방식을 섞은 하이브리드 검색을 쓰기도 해요. 또 검색 품질은 자료를 어떤 크기로 나눴는지(청킹)와 어떤 임베딩 모델을 썼는지에 크게 좌우되니, 결과가 엉뚱하면 이 두 가지부터 점검하세요.

💡 대표 예시

  • 강의 챗봇 — 질문과 의미가 가까운 강의 내용을 찾아 답변 근거로 쓴다
  • 자료 준비 — 강의 대본을 잘게 나눠 임베딩한 뒤 벡터로 DB에 저장한다
  • 함수 연결 — 유사도 검색 RPC 함수를 만들어 RAG 챗봇에서 호출한다
  • 상세 페이지 — 의미 검색으로 관련 강의 내용을 찾아 문구의 근거로 쓴다
  • 품질 개선 — 결과가 엉뚱하면 청크 크기와 임베딩 모델부터 바꿔 본다

🔗 관련 용어

청킹

청킹 (Chunking)은 긴 글을 AI가 읽기 좋게 잘라 나누는 방식 — 두꺼운 책을 챕터별로 쪼개서 필요한 부분만 빠르게 찾아보듯, AI 에이전트 (Agent)가 긴 문서를 적당한 크기의 조각으로 나눠 기억하고 검색한다.

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.

하이브리드 검색

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.

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.

RPC 함수

RPC 함수(RPC Function)는 엑셀의 SUM처럼 미리 만들어 둔 계산 버튼 같은 것 — 데이터베이스 안에 저장해 두고 이름만 불러 실행하는 함수로, Supabase에서 복잡한 검색·계산을 한 번에 처리할 때 써요.

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.