AWS RAG와 벡터 저장소

개요

Knowledge Bases의 수집·저장·검색·근거 전달을 구분해 진단한다.

먼저 AWS 기반과 실행·저장 서비스, Bedrock·모델·프롬프트·평가, RAG 평가와 오류 진단의 핵심 개념을 확인하세요.

세부 학습 목표

• RAG의 수집·임베딩·검색·생성을 구분하고 갱신 실패를 진단한다.
• 시험에 등장하는 벡터 저장 서비스와 Knowledge Bases의 실제 지원을 구별한다.

핵심 개요

Bedrock Knowledge Bases는 자료를 수집·검색해 생성 응답의 근거로 연결하는 RAG 구성에 사용됩니다. 원문 저장과 수집·색인 완료는 다른 상태이므로 동기화 결과를 확인합니다.

벡터 저장소 선택은 지원 조건·필터·갱신·규모·운영 요구에 맞춰 비교합니다. 최종 답변에는 질문의 대상·시점과 실제 전달 근거가 맞는지 검사합니다.

필요한 용어

• 수집 작업: 원문을 읽고 검색 대상에 반영하는 처리
• 벡터 저장소: 임베딩과 메타데이터의 검색을 제공하는 저장 계층

작동 과정

1. 원문·권한·적용일·검색 저장소를 준비합니다.
2. 수집 결과와 실패·갱신 상태를 확인합니다.
3. 검색·실제 입력·응답을 같은 요청으로 평가합니다.

벡터 저장소와 지식 베이스의 계약

• 임베딩은 검색용 수치 표현이고 원문은 사람이 검토할 근거입니다. 저장소에는 벡터뿐 아니라 청크 본문·출처·권한·버전을 연결해야 합니다.

  문서에 모델 A의 임베딩, 질문에 호환되지 않는 모델 B의 임베딩을 사용하면 차원만 같아도 의미 비교가 맞는다는 보장이 없습니다. 모델·차원·변환과 재색인 계획을 함께 관리합니다.

• 공식 시험 가이드는 OpenSearch, Aurora, Neptune, RDS for PostgreSQL 등을 임베딩 저장 관련 서비스 예로 제시합니다. 이 목록은 모든 서비스·구성이 Knowledge Bases의 같은 연결 방식을 지원한다는 표가 아닙니다.

  실제 연결은 Knowledge Bases 지원 표의 저장소 종류·엔진·벡터 형식·필드·권한을 확인합니다. 그래프 관계를 활용하는 요구와 벡터 유사도 요구도 먼저 나눕니다.

• 검색된 문서가 맞아도 답변이 그 문서에 충실한지 별도 검사합니다. 링크를 붙였다는 사실은 근거 일치의 증거가 아니며, 권한 필터는 생성 이전에 적용합니다.

AWS AIF-C01 공식 영역 3  · AWS: Knowledge Bases vector store prerequisites 

풀이 예제

아래 입력과 기록은 직접 만든 교육용 가상 자료입니다.

입력·조건

S3 원문은 v2인데 마지막 수집은 v1 시점에 끝났습니다.

판단·결과

원문 존재만으로 최신 검색이 가능하다고 판단하지 않습니다.

이렇게 판단한 이유

자료와 검색 구조의 갱신 시점이 다르면 오래된 근거가 정상적으로 반환될 수 있습니다.

흔한 실패와 복구

Knowledge Base를 만들었다는 이유로 모든 자료가 수집·권한 검증됐다고 하지 않습니다. 실제 처리 상태와 요청 결과를 검사합니다.

확인 문제

참고 자료

1. AWS: Knowledge Bases  — Bedrock의 데이터 수집·검색·생성 연결.
2. Microsoft: Retrieval augmented generation  — 검색과 모델 입력 결합의 단계.
3. AWS AIF-C01 공식 영역 3  — 공식 세부 목표와 판단 수준.
4. AWS: Knowledge Bases vector store prerequisites  — 임베딩·본문·메타데이터 필드와 저장소 호환.

자료 확인: 2026-10-25. 사례·문항·실습은 자체 제작했습니다. 외부 서비스 호출과 실제 모델 품질 측정은 학습자가 별도 환경에서 수행합니다.

두 임베딩 모델의 차원은 같지만 종류가 다릅니다. 팀은 기존 색인을 그대로 쓰고, 공식 서비스 예 목록만 보고 연결을 확정했습니다. 확인할 계약과 재검증을 적으세요.