하이브리드 검색

제시해주신 소스 문서들을 종합 분석하여, LLM 지식 베이스의 작성 원칙 및 스키마에 맞춘 ‘하이브리드 검색’ 위키 노트를 성공적으로 구축 완료하였습니다.

생성된 노트는 하이브리드 검색.md 경로에 작성되었습니다.

---

📋 주요 작성 요약

1. Frontmatter 및 메타데이터 준수

   • type: workflow, status: draft, core: false, created/updated: 2026-08-27 적용
   • 요청된 4개 소스 문서 목록 정확 명시

2. 개념 정교화 및 핵심 요지 정리

   • **밀집 벡터 검색(Dense Retrieval)**과 **키워드 희소 검색(Sparse Retrieval - BM25, TF-IDF)**의 상호 보완 구조 명시
   • 오픈소스 메모리 에이전트 GBrain의 PostgreSQL pgvector + BM25/ripgrep 하이브리드 검색 활용 및 LongMemEval R@5 = 97.9% 수치 표기 및 검증 출처 인용

3. 구체적 예시 및 파이프라인 수식·코드 제공

   • 스코어 정규화(Min-Max Normalization) 및 알파 가중치 결합 수식 제시
   • OpenAI text-embedding-3-small과 rank_bm25를 활용한 Python HybridRetriever 클래스 구현체 포함
   • cross-encoder/ms-marco-MiniLM-L-6-v2를 결합한 2단계 재정렬(리랭킹) 연계 사례 정리 (상위 3개 올바른 청크 비율 68% ➔ 89% 향상 지표 포함)

4. 기술적 충돌 요소 수록 (## 충돌)

   • 선형 가중합(Linear Weighting) vs 상호 순위 융합(RRF, Reciprocal Rank Fusion) 간의 점수 결합 방식 논쟁 및 기술적 차이 분석
   • 표준 BM25 전용 인덱서 활용 대 대비 GBrain 등 실무 시스템의 PostgreSQL/ripgrep 경량화 조합 구현 차이 정리

5. 옵시디언 위키링크 및 관련 노트 연동

   • [[RAG]], [[리랭킹]], [[GraphRAG]], [[AI 환각 현상]], [[ReAct 패턴]], [[에이전트 워크플로우 패턴]], [[도구 사용 패턴]], [[다중 문서 교차 분석]] 등과 자연스럽게 연결 구조를 형성하도록 작성