RAG LAB · M8 / M9
RAG 실습실
내 문서를 직접 올려서 RAG 를 돌려봐요. 여기는 Supabase pgvector — 진짜 벡터 DB 로 검색합니다.
강사 Agent (우하단)
In-memory 코사인 · 벡터 DB 없이
강의 노트 13개(146청크)는 고정·소규모라 임베딩을 메모리에 올려 직접 계산. 무료·무인프라·빠름. (M3/M8의 ‘운영 우위’ 데모)
RAG Lab (여기)
Supabase pgvector · 진짜 벡터 DB
학습자가 올리는 문서는 양·갱신이 가변적이라 영속 벡터 DB 가 적합. HNSW 인덱스로 검색. (M8/M9 production 경로)
↑
1. 문서 업로드 → 임베딩
텍스트를 붙여넣으면 600자 청킹 → OpenAI 임베딩 → Supabase pgvector 에 저장돼요.
저장된 청크: 0
?
2. 내 문서에 질문
질문을 임베딩 → pgvector 코사인 검색 → 근거에 [출처] 인용해 답해요. 없으면 솔직히 말하고요.
같은 강의가 M8 에서 두 방식을 모두 가르칩니다 · 업로드 문서는 브라우저별 세션에 격리돼요.
