dkmin | | parent | on: LLM-Wiki - LLM을 활용하여 개인 지식저장소 구축 하기 (gist.github.com/karpathy)

공유 감사합니다. 돌려봤는데 놀랍습니다.
커뮤니티에서 계속 더 개선된 방법들이 나올 것으로 예상됩니다

dkmin | | parent | on: gitagent - AI 에이전트 정의 및 관리를 위한 Git 기반 표준 (github.com/open-gitagent)

coming soon, git a2a

공유 감사합니다~

dkmin | | parent | on: AI는 동료가 아니라 외골격이다 (kasava.dev)

공유 감사합니다. 신선하네요.

dkmin | | parent | on: 시장이 존재하지 않을 때 시장에 진입하는 방법 (a16z.news)

값진 글 공유 감사합니다.

dkmin | | parent | on: 로컬 RAG를 구축하고 싶으신가요? (blog.yakkomajuri.com)

Gemini :
네, RAG(Retrieval-Augmented Generation)에서 벡터 데이터베이스(Vector Database) 의 사용은 2020년 관련 논문이 처음 발표되면서부터 그 개념적인 토대가 마련되었습니다.
RAG는 기본적으로 검색(Retrieval) 과 생성(Generation) 을 결합하는 방식인데, 이 검색 단계에서 벡터 임베딩과 이를 효율적으로 저장하고 검색하는 벡터 데이터베이스가 필수적인 역할을 하게 됩니다.
💡 RAG와 벡터 DB의 시작점
RAG에서 벡터 DB가 필요하다는 아이디어는 다음의 주요 논문과 개념에서 출발했습니다.

  1. RAG의 탄생: Lewis et al. (2020) 논문
  • 논문 제목: "Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks" (지식 집약적 자연어 처리 작업을 위한 검색 증강 생성)
  • 핵심: 이 논문에서 RAG라는 용어와 프레임워크가 처음 제시되었습니다.
  • Retriever의 역할: 논문에서 제안된 RAG 모델은 Retriever(검색기) 와 Generator(생성기) 로 구성됩니다. Retriever는 위키피디아와 같은 대규모 데이터셋에서 쿼리와 관련된 문서(latent documents) 를 검색합니다.
  • 벡터 인덱스 사용: 이 초기 RAG 모델은 문서를 검색하기 위해 데이터셋에 벡터 인덱스(Vector Index) 를 사용하여 사전 학습된 검색기(pretrained retriever) 가 문서를 가져올 수 있도록 했습니다.
  • 결론: RAG의 핵심 단계인 '검색' 이 쿼리 및 문서의 벡터 표현을 기반으로 유사성을 계산하여 이루어지기 때문에, 효율적인 검색을 위한 벡터 저장소(Vector Store) 또는 벡터 인덱스의 개념이 필수적으로 내포되었습니다.
  1. 벡터 임베딩과 유사도 검색
    벡터 데이터베이스가 RAG의 필수 요소가 된 근본적인 이유는 다음과 같습니다.
  • 임베딩(Embedding): RAG 시스템에서 외부 지식(문서, 텍스트)과 사용자의 쿼리(질문)는 모두 벡터(Vector) 라는 수학적 표현으로 변환됩니다. 이 벡터는 텍스트의 의미를 고차원 공간에 밀집된 숫자의 배열로 나타냅니다.
  • 유사도 검색(Similarity Search): 벡터 공간에서 쿼리 벡터와 가장 가까운 거리에 있는 문서 벡터를 찾는 것이 곧 의미적으로 가장 유사한(Relevant) 문서를 찾는 것을 의미합니다.
  • 벡터 DB의 역할: 벡터 데이터베이스는 이러한 수많은 문서 벡터들을 저장하고, 주어진 쿼리 벡터에 대해 가장 유사한 벡터를 빠르고 효율적으로 검색하기 위해 특화된 데이터베이스입니다. 따라서 RAG의 검색 성능을 극대화하는 데 필수적입니다.
    요약: 벡터 DB가 필요한 이유
    LLM이 학습하지 않은 최신/도메인 특정 지식에 접근하게 하려면, 단순히 키워드 매칭(전통적인 검색)이 아닌 의미적 유사성을 기반으로 정보를 찾아야 합니다. 벡터 DB는 이 의미적 유사성 기반 검색을 효율적으로 수행하기 위해 RAG 프레임워크에 자연스럽게 통합된 핵심 기술입니다.
dkmin | | parent | on: 구글 Gemini API의 File Search: 저장소는 공짜, RAG 구축은 한 줄 (aisparkup.com)

공유 감사합니다. 품질! 정말 궁금하네요

dkmin | | parent | on: Show GN: JSON 시각화 및 편집 도구 (github.com/podosoft-dev)

수고하셨습니다.
코린이 분들께도 도움이 되겠어요
감사합니다!

dkmin | | parent | on: 나는 당신이 '바이브 코딩'할 때를 알아챌 수 있음 (alexkondov.com)

본문보다 HN 글이 더 달달함

dkmin | | parent | on: GDD - "가스라이팅 드리븐 개발"의 시대 (tonsky.me)

Soundslice 바이럴 성공

dkmin | | parent | on: Cursor를 더 똑똑하게 사용하고 싶은 분들을 위한 팁 12개 (stdy.blog)

알찬 내용 공유 감사합니다. =b

"단, Privacy 모드에서는 백그라운드 에이전트 등 일부 최신 기능을 사용할 수 없음."
=> 구체적인 내용이 궁금합니다. 출처를 좀..

ref.
https://docs.cursor.com/background-agent

Background Agents are available in Privacy Mode. We will never train on your code, and we will only retain code for the purposes of running the agent. Learn more about Privacy mode

dkmin | | parent | on: 고급 Python 기능들 (blog.edward-li.com)

감사합니다. 특히 10번 바로 적용 들어갑니다.

AI 코딩 규칙 추가..

dkmin | | parent | on: Tabserve - 브라우저를 리버스프록시로 만들어 로컬호스트를 외부에서 접속 가능하게 만들기 (tabserve.dev)

와우, Web Workers 의 재발견.
브라우저에서 XX해보려는 사람 달려들겠네요.

dkmin | | parent | on: LLM에 Stable Diffusion Moment가 오고 있다 (simonwillison.net)

공유 감사합니다

dkmin | | parent | on: Ask GN: 눈 건강 관리는 어떻게 하시나요?

공감 한표.
다크모드 끄고 콘트라스트 조정하니 오히려 눈이 편해요