Vector Databases: Pinecone, Weaviate & pgvector · 강의

더 나은 임베딩을 위한 텍스트 청킹

문서를 임베딩에 적합한 청크로 나누는 방법과 청크 크기 및 겹침이 중요한 이유, 검색 품질을 극대화하는 전략을 배웁니다.

레슨 4/413개 단계

더 나은 임베딩을 위한 텍스트 청킹은(는) CoddyKit의 무료 Vector Databases: Pinecone, Weaviate & pgvector 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 Vector Databases: Pinecone, Weaviate & pgvector 학습 경로의 일부이며, 진행 상황이 웹과 CoddyKit 앱에 동기화됩니다. Vector Databases: Pinecone, Weaviate & pgvector 강의에는 총 4개의 강의가 포함되어 있습니다.

이 강의의 일부는 아직 번역되지 않았으며 영어로 표시됩니다.

Why Chunking Matters

Embedding models have a token limit and produce one vector per input. Feeding a whole document yields a vague, averaged vector. Chunking splits text into focused pieces so each vector captures a specific idea.

The Goldilocks Problem

Chunk size is a balance:

Too large — diluted meaning, mixed topics in one vector
Too small — fragments lose context, more vectors to store

Aim for chunks that hold one coherent thought.

Fixed-Size Chunking

The simplest method: split every N characters or tokens.

def chunk(text, size):
    return [text[i:i+size] for i in range(0, len(text), size)]

print(chunk('abcdefghij', 4))

The Overlap Trick

Fixed splits can cut a sentence in half, losing context at the boundary. Adding overlap repeats the last few tokens of one chunk at the start of the next so ideas spanning a boundary survive.

def chunk_overlap(text, size, overlap):
    out = []
    i = 0
    while i < len(text):
        out.append(text[i:i+size])
        i += size - overlap
    return out

print(chunk_overlap('abcdefghij', 4, 1))

Sentence-Aware Chunking

Better than blind character splits: break on sentence boundaries, then group sentences up to a target size. Chunks end cleanly and read coherently.

Recursive Chunking

Recursive splitting tries large separators first (paragraphs), then smaller ones (sentences, then words) until chunks fit the size limit. It respects document structure while guaranteeing size.

Structure-Aware Chunking

For Markdown, code, or HTML, split along structural elements:

Markdown headers and sections
Code functions or classes
HTML sections and lists

This keeps related content together.

Token Counting

Models limit by tokens, not characters. Estimate tokens before embedding so chunks fit the model window.

def approx_tokens(text):
    return max(1, len(text) // 4)

print(approx_tokens('The quick brown fox jumps'))

Matching Chunks to Queries

Think about how users query. If questions target short facts, smaller chunks improve precision. If questions need broad context, larger chunks help. Sometimes you store both granularities.

Adding Context to Chunks

A chunk taken out of context can be ambiguous. Prepend a short header (document title, section name) to each chunk before embedding so the vector knows where it came from.

Iterate and Measure

There is no universal best chunk size. Pick a starting point (often a few hundred tokens with modest overlap), then measure retrieval quality and adjust. Chunking is an experiment, not a fixed rule.

Quick Check

Test your understanding of chunk overlap.

인터랙티브 레슨에서 답해보세요

Recap

You learned that chunking turns documents into focused, embeddable pieces. Balance chunk size, add overlap to preserve boundary context, prefer sentence-aware or recursive splitting, count tokens, enrich chunks with context headers, and iterate while measuring retrieval quality.

무료로 시작

AI 튜터와 함께 Vector Databases: Pinecone, Weaviate & pgvector을(를) 배우세요 — 무료

브라우저에서 실제 코드를 작성하고 실행하며, 24/7 AI 튜터로부터 즉각적인 도움을 받고, 웹이나 앱에서 중단한 부분부터 계속 학습하세요.

코스: 12
레슨: 48

무료로 학습 시작 전체 코스 보기

자주 묻는 질문

“더 나은 임베딩을 위한 텍스트 청킹” 강의는 무료인가요?

네 — “더 나은 임베딩을 위한 텍스트 청킹” 전체 내용을 이 웹사이트에서 무료로 읽을 수 있습니다. 인터랙티브하게 실습하려면(내장 코드 에디터와 24/7 AI 튜터), CoddyKit PRO로 업그레이드하면 Vector Databases: Pinecone, Weaviate & pgvector 강의 전체를 잠금 해제할 수 있습니다. Vector Databases: Pinecone, Weaviate & pgvector 강의에는 총 4개의 강의가 포함되어 있습니다.

“더 나은 임베딩을 위한 텍스트 청킹”에서 뭘 배우나요?

문서를 임베딩에 적합한 청크로 나누는 방법과 청크 크기 및 겹침이 중요한 이유, 검색 품질을 극대화하는 전략을 배웁니다. 브라우저에서 직접 실행하는 실습 코드로 Vector Databases: Pinecone, Weaviate & pgvector을(를) 배우며, 24/7 AI 튜터가 강의를 진행하면서 질문에 답변해줍니다.

Vector Databases: Pinecone, Weaviate & pgvector을(를) 시작하는 데 경험이 필요한가요?

사전 경험은 필요하지 않습니다. CoddyKit의 Vector Databases: Pinecone, Weaviate & pgvector은(는) 초급자부터 고급 학습자까지를 위해 구성되어 있으므로, 여기서 시작하거나 처음부터 시작할 수 있으며 자신의 속도대로 진행할 수 있습니다. 이것은 4개 중 4번째 강의입니다.

“더 나은 임베딩을 위한 텍스트 청킹” 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 Vector Databases: Pinecone, Weaviate & pgvector 강의에서 코드를 작성하고 실행할 수 있나요?

네. 모든 Vector Databases: Pinecone, Weaviate & pgvector 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

← Vector Databases: Pinecone, Weaviate & pgvector(으)로 돌아가기