pepe

4편에서 Voyage AI로 임베딩을 생성하고 Supabase에 벡터 데이터를 적재했습니다. 이번 편에서는 적재된 데이터를 실제로 검색하는 search Edge Function을 구현하고, RAG 파이프라인을 완성하는 과정을 다룹니다.이번 편에서 다루는 내용search Edge Function 구현similarity 임계값 설정 원리Claude API로 최종 답변 생성RAG 검색 품질 테스트1. 검색 아키텍처3편에서 등록한 search_medicines, search_medicines_hybrid 함수를 활용해 아래 흐름으로 검색합니다.사용자 질문 │ ▼[Voyage AI] → query 임베딩 생성 (input_type: "query") │ ▼[search_medicines] → ..

개요1편에서 Supabase 테이블과 검색 함수를 구성했습니다. 이번 편에서는 Supabase Edge Functions를 활용해 실제 약품 데이터를 벡터 DB에 적재하는 과정을 다룹니다.이번 편에서 다루는 내용Supabase Edge Function 작성 (ingest)Voyage AI로 임베딩 생성로컬 JSON 파일을 Edge Function으로 전송하는 Python 스크립트1. Supabase 새 API 키 체계 이해Edge Function을 작성하기 전에 Supabase의 새 API 키 체계를 이해해야 합니다.Supabase는 기존의 JWT 기반 키(anon, service_role)에서 새로운 키 형식으로 전환 중입니다.구분 기존 신규공개 키anon (JWT)sb_publishable_...비밀..

저번 포스팅에선 Supabase를 회원가입한 뒤 키를 발급 받았고 간단한 테이블을 생성하여 CRUD를 했습니다.이번 포스팅에선 RAG 관련한 간단한 테스트 진행을 위해 새 프로젝트를 추가하고 벡터 DB를 생성하는 포스팅을 해보겠습니다.이번 시리즈에서는 공공 약품 데이터를 활용해 자연어로 질문하면 관련 약품 정보를 찾아주는 RAG(Retrieval-Augmented Generation) 시스템을 구축합니다.예를 들어 "임신 중에 먹으면 안 되는 약은?", "아스피린 부작용이 뭐야?" 처럼 자연어로 질문하면 관련 약품 정보를 검색하고 Claude가 답변을 생성해주는 시스템입니다.전체 스택Supabase (pgvector) — 벡터 DB 및 APIVoyage AI — 임베딩 모델 (Anthropic 공식 권장..

이전 포스팅에선 Supabase가 뭔지 대략 찍어먹어봤습니다. 이번 포스팅에선 Supabase를 회원가입하고 Vector DB를 만들어보기 전간단한 테이블을 만들고 CRUD를 해볼까해요. 1. Supabase 회원가입하기https://supabase.com/ 에 접속하여 Sign In 클릭 후 GitHub로 로그인을 합니다. (이메일 인증도 같이)GitHub로 가입하면 나중에 프로젝트와 연동할 때 편리합니다. Edge Functions나 GitHub Actions를 쓸 계획이라면 GitHub 가입을 추천해요. 가입이 완료되면 Organization, proejct를 설정합니다. 이제 프로젝트가 생성되었습니다! 2. API 키 확인 및 저장프로젝트 생성 후 좌측 사이드바에서 Project Setting..

개요요즘 여기저기서 Vector DB(벡터 데이터베이스)라는 말을 자주 보게 됩니다.제가 알고 있던 DB라고 해봐야 RDB, NoSQL 정도였는데처음 Vector DB라는 단어를 들었을 땐“이게 대체 뭐지?” 싶은 느낌이 먼저 들더라고요.뭔가 AI랑 관련 있어 보이긴 하는데 정확히 어떤 역할을 하는지는 감이 안 왔습니다.그래서 그냥 GPT한테 물어봤습니다. Vector DB가 뭐냐면요GPT가 설명해준 내용을 정리하면 이렇습니다.텍스트, 이미지, 음성 같은 데이터를 숫자 배열(예: 1536차원 실수 벡터)로 변환하고이 벡터들을 저장한 뒤 벡터 간 유사도 검색을 수행한다(코사인 유사도, L2 Distance 등)한 줄로 줄이면,👉 “의미적으로 비슷한 데이터를 찾아주는 DB”이렇게 생각하면 이해가 좀 됩니다..