이 글은 실용적인 Retrieval Augmented Generation (RAG) 파이프라인 구축 과정을 독자들에게 안내합니다. Python 3.12, Docker, Google Gemini API 키 확보를 포함한 필수 환경 설정부터 상세히 설명합니다. 이후 가상 환경과 필요한 Python 패키지를 사용하여 프로젝트를 초기화합니다.벡터 임베딩을 저장하기 위해, Docker 컨테이너 내에서 pgvector를 실행하고 .env 파일에서 환경 변수를 설정하는 방법을 안내합니다. 명확한 디렉토리 구조가 제시되며, 순차적으로 생성될 다섯 개의 Python 파일이 개략적으로 설명됩니다. 첫 번째 스크립트인 01_setup_db.py는 벡터 컬럼을 가진 PostgreSQL 테이블을 생성하고 pgvector 확장을 활성화하며, 호환성을 위해 768차원을 선택한 이유를 설명합니다.스크립트 02_create_index.py는 효율적인 벡터 검색을 위한 HNSW 인덱스 생성에 초점을 맞추며, 다양한 사용 사례에 맞게 조정 가능한 매개변수를 제공합니다. 문서 임베딩 및 데이터베이스 저장은 03_ingest.py에서 다루며, Gemini를 사용하여 문서를 임베딩하고 데이터베이스에 저장합니다. 이때 문서와 쿼리에 대한 별도의 task_type을 강조합니다.4단계는 04_search.py에서 상세히 설명되며, 사용자 쿼리를 벡터 임베딩으로 변환하고 pgvector를 사용하여 의미론적 검색을 수행하여 유사한 문서를 검색하는 방법을 보여줍니다. 마지막으로 05_rag.py는 이러한 구성 요소를 통합하여 완전한 RAG 파이프라인을 구축합니다. 이 스크립트는 사용자의 질문에 기반하여 관련 문서를 검색하고, 이 컨텍스트를 포함하는 프롬프트를 구성한 후, Gemini를 사용하여 근거 있는 답변을 생성합니다. 데이터베이스 설정, 저장된 문서, 임베딩 차원을 확인하기 위한 검증 단계가 제공됩니다.