0Pricing
LLM Apps in Production (RAG + Vector DB + Caching) · 강의

인덱싱, 필터링 및 하이브리드 검색

인덱스 유형을 이해하고 메타데이터 필터와 유사도 검색을 결합하며 키워드 검색과 벡터 검색을 하이브리드 검색으로 조합하여 대규모 벡터 검색을 빠르고 정확하게 만듭니다.

인덱싱, 필터링 및 하이브리드 검색은(는) CoddyKit의 무료 LLM Apps in Production (RAG + Vector DB + Caching) 강의입니다. 이것은 4개 중 4번째 강의입니다. 아래에서 전체 강의를 무료로 읽을 수 있으며, 내장 코드 에디터와 24/7 AI 튜터와 함께 브라우저에서 직접 실습할 수 있습니다. 이 강의는 LLM Apps in Production (RAG + Vector DB + Caching) 학습 경로의 일부이며, 진행 상황이 웹과 CoddyKit 앱에 동기화됩니다. LLM Apps in Production (RAG + Vector DB + Caching) 강의에는 총 4개의 강의가 포함되어 있습니다.

이 강의의 일부는 아직 번역되지 않았으며 영어로 표시됩니다.

The Scale Problem

Comparing a query against millions of vectors one by one is too slow for production. Vector databases use indexes to find near neighbors quickly without scanning everything.

Approximate Nearest Neighbors

Most vector indexes are approximate (ANN): they trade a tiny bit of accuracy for huge speed gains. For RAG, near-perfect recall at fast speed is a great deal.

HNSW Indexes

HNSW (Hierarchical Navigable Small World) is a popular graph-based index. It navigates layers of connections to reach neighbors fast, balancing speed and accuracy via tunable parameters.

IVF Indexes

IVF clusters vectors into cells; a query only searches the closest cells. The nprobe parameter trades recall for speed by controlling how many cells to check.

Metadata Filtering

Pure similarity can return the wrong scope — old versions, other tenants. Storing metadata with each vector lets you filter results to the right subset.

results = store.similarity_search(
    query,
    k=4,
    filter={'tenant': 'acme', 'lang': 'en'}
)

Pre vs Post Filtering

Filters apply two ways:

  • Pre-filter: restrict candidates before the ANN search (more correct)
  • Post-filter: search, then drop non-matches (may return too few)

Prefer pre-filtering when the DB supports it.

Where Vector Search Struggles

Vectors capture meaning but can miss exact terms — product codes, names, acronyms. A query for SKU-9F may semantically match nothing useful.

Hybrid search fixes this.

What Is Hybrid Search?

Hybrid search runs both keyword (e.g. BM25) and vector search, then merges the results. You get semantic understanding plus exact-term precision.

Combining Scores with RRF

Reciprocal Rank Fusion merges the two ranked lists by rewarding items ranked high in either, without needing comparable score scales.

def rrf(ranks, k=60):
    return sum(1 / (k + r) for r in ranks)

Tuning the Balance

Many databases let you weight keyword vs vector contributions (alpha). Term-heavy domains lean keyword; conceptual queries lean vector. Tune on your test set.

results = store.similarity_search(query, k=4, alpha=0.5)

Operational Tips

For healthy vector search at scale:

  • Rebuild or update indexes as data grows
  • Keep embeddings and index dimensions consistent
  • Benchmark recall and latency together

Quick Check

Test your vector database knowledge.

Recap

You learned to scale and sharpen vector search:

  • ANN indexes like HNSW and IVF make search fast
  • Metadata filters scope results; prefer pre-filtering
  • Hybrid search blends keyword and vector retrieval
  • Fuse rankings with RRF and tune the balance
  • Maintain indexes and benchmark recall vs latency

These techniques keep retrieval both fast and accurate in production.

자주 묻는 질문

“인덱싱, 필터링 및 하이브리드 검색” 강의는 무료인가요?

네 — “인덱싱, 필터링 및 하이브리드 검색” 전체 내용을 이 웹사이트에서 무료로 읽을 수 있습니다. 인터랙티브하게 실습하려면(내장 코드 에디터와 24/7 AI 튜터), CoddyKit PRO로 업그레이드하면 LLM Apps in Production (RAG + Vector DB + Caching) 강의 전체를 잠금 해제할 수 있습니다. LLM Apps in Production (RAG + Vector DB + Caching) 강의에는 총 4개의 강의가 포함되어 있습니다.

“인덱싱, 필터링 및 하이브리드 검색”에서 뭘 배우나요?

인덱스 유형을 이해하고 메타데이터 필터와 유사도 검색을 결합하며 키워드 검색과 벡터 검색을 하이브리드 검색으로 조합하여 대규모 벡터 검색을 빠르고 정확하게 만듭니다. 브라우저에서 직접 실행하는 실습 코드로 LLM Apps in Production (RAG + Vector DB + Caching)을(를) 배우며, 24/7 AI 튜터가 강의를 진행하면서 질문에 답변해줍니다.

LLM Apps in Production (RAG + Vector DB + Caching)을(를) 시작하는 데 경험이 필요한가요?

사전 경험은 필요하지 않습니다. CoddyKit의 LLM Apps in Production (RAG + Vector DB + Caching)은(는) 초급자부터 고급 학습자까지를 위해 구성되어 있으므로, 여기서 시작하거나 처음부터 시작할 수 있으며 자신의 속도대로 진행할 수 있습니다. 이것은 4개 중 4번째 강의입니다.

“인덱싱, 필터링 및 하이브리드 검색” 강의는 얼마나 걸리나요?

대부분의 CoddyKit 강의는 약 5~10분이 소요됩니다. 각 강의는 간결하고 인터랙티브하여 꾸준한 진행이 가능하며, 웹과 앱에서 중단한 부분부터 바로 시작할 수 있습니다.

이 LLM Apps in Production (RAG + Vector DB + Caching) 강의에서 코드를 작성하고 실행할 수 있나요?

네. 모든 LLM Apps in Production (RAG + Vector DB + Caching) 강의에는 내장 코드 에디터가 포함되어 있으므로, 브라우저에서 바로 실제 코드를 작성하고 실행한 후 즉시 AI 피드백을 받을 수 있습니다 — 로컬 설정이 필요 없습니다.

이 강의의 모든 강의

  1. 벡터 데이터베이스의 필요성
  2. 벡터 임베딩과 유사도 검색
  3. 벡터 데이터베이스 연동하기
  4. 인덱싱, 필터링 및 하이브리드 검색
← LLM Apps in Production (RAG + Vector DB + Caching)(으)로 돌아가기