Danielskry/Awesome-RAG

해결하는 문제

대규모 언어 모델은 지식 차단 시점이 고정되어 있고 외부 정보에 스스로 접근할 수 없어 오래된 정보나 환각 답변을 생성하기 쉽습니다. 검색 증강 생성(RAG)은 생성 중에 외부 지식 소스에서 관련 컨텍스트를 동적으로 검색하여 이 문제를 해결하며, 모델이 최신 도메인 특화 또는 독점 정보를 활용할 수 있게 합니다. 이 저장소는 RAG 시스템을 학습하고 구축하기 위한 최고의 리소스를 모아두어 개발자가 웹에서 튜토리얼, 프레임워크, 모범 사례를 찾아 헤맬 필요가 없습니다.

작동 방식

이 저장소는 소프트웨어가 아닌 체계화된 카탈로그입니다. 일반적인 RAG 개념, 아키텍처 패턴(단순한 검색-생성 파이프라인에서 에이전트 기반 및 그래프 기반 접근법까지), 고급 기술, RAG를 용이하게 하는 프레임워크, Python 생태계, 청킹 및 임베딩 방법, 메트릭 및 평가, 데이터베이스, 프로덕션 고려 사항, 모범 사례를 다루는 섹션으로 구성되어 있습니다. 각 항목은 권위 있는 소스, 튜토리얼, 실행 가능한 노트북, 논문 또는 구현에 연결됩니다. README는 또한 구체적인 예를 통해 핵심 RAG 아이디어를 설명합니다. 특정 주택의 리노베이션 자재에 대해 질의하는 시스템이 일반 LLM이 알지 못하는 설계도, 자재 사양, 지역 건축 코드를 검색할 수 있습니다. 또한 VS Code, GitHub Copilot CLI, Claude Code용 에이전트 플러그인으로 제공되며 DeepWiki를 통해 쿼리할 수 있습니다.

대상 독자

RAG 애플리케이션을 탐구하거나 구축하려는 개발자, 엔지니어, 연구자. 처음 시작하는 사람, 기존 프레임워크를 채택하려는 사람, 청킹 또는 임베딩 전략을 선택하는 사람, RAG 시스템을 프로덕션에 준비하는 사람 모두 관련 도구와 자료를 찾을 수 있습니다. 또한 고급 RAG 변형을 비교하거나 평가 및 메트릭 지침을 찾는 사람에게도 유용합니다.

주요 특징

• 전체 RAG 생태계를 다루는 선별된 리소스 맵: 아키텍처 패턴, 고급 접근법, 프레임워크, 기술, 메트릭, 데이터베이스, 프로덕션 지침
• 실행 가능한 Python 노트북, LangChain, LlamaIndex, Haystack 튜토리얼, 논문, YouTube 설명을 포함한 권위 있는 소스 링크
• Corrective RAG, RAG Fusion, Self-Reflective RAG에서 GraphRAG, 멀티모달 RAG, 비디오 RAG, 추론 기반 프레임워크에 이르는 광범위한 고급 접근법을 다룸
• 청킹 전략, 임베딩, 프롬프팅과 같은 실용적인 기술에 대한 각각의 장단점을 포함한 상세 지침 제공
• VS Code, GitHub Copilot CLI, Claude Code용 에이전트 플러그인으로 제공되며 DeepWiki를 통해 쿼리 가능