챕터별 상세
00:50
기존 RAG와 File Search API의 차이점
전통적인 RAG 방식은 문서를 Chunk로 쪼개고 Embedding 모델을 거쳐 Vector DB에 저장하는 복잡한 파이프라인이 필요했다. 구글의 File Search API는 이 모든 과정을 하나의 API로 추상화한 Fully Managed 서비스이다. 사용자는 File Store를 생성하고 문서를 업로드하기만 하면 구글이 내부적으로 최적의 검색 알고리즘을 실행한다. 특히 스토리지 비용과 쿼리 임베딩 비용이 무료이며, 최초 인덱싱 비용만 발생한다는 경제적 장점이 있다.
RAG는 외부 지식을 검색하여 LLM의 답변 정확도를 높이는 기술이다.
04:30
n8n을 활용한 문서 업로드 워크플로우 구축
n8n에서 문서를 자동으로 업로드하고 관리하는 시스템을 설계했다. 먼저 Data Table 노드를 사용하여 기존에 생성된 File Store ID가 있는지 확인하고, 없을 경우 HTTP Request 노드로 신규 스토어를 생성한다. 업로드된 파일의 바이너리 데이터를 추출하기 위해 JavaScript 코드를 활용했으며, Loop 노드를 통해 여러 파일을 순차적으로 처리하도록 구성했다. 최종적으로 구글 API의 Import File 엔드포인트를 호출하여 문서를 지정된 스토어로 이동시키는 프로세스를 완성했다.
n8n은 노드 기반의 워크플로우 자동화 도구로, API 호출과 데이터 처리를 시각적으로 연결한다.
16:46
File Search API 기반 검색 및 답변 생성 구현
사용자의 질문에 대해 관련 문서를 검색하고 답변을 생성하는 검색 파트를 구현했다. Gmail 트리거를 통해 문의 메일을 수신하면 AI Agent 노드가 작동하여 질문의 의도를 파악한다. 이때 Agent의 도구(Tool)로 File Search API를 연결하여 질문과 관련된 문서 조각(Chunk)을 자동으로 가져오도록 설정했다. Gemini 2.5 Flash 모델을 사용하여 검색된 정보를 바탕으로 이메일 답장 초안을 작성하고, 이를 다시 Gmail 초안함에 저장하는 전체 자동화 흐름을 구축했다.
AI Agent는 주어진 도구를 자율적으로 선택하여 복잡한 작업을 수행하는 모델이다.
24:17
실전 데모 및 File Search API의 한계점
구축된 시스템을 통해 실제 사업 문의 이메일에 대한 답변 초안이 생성되는 과정을 시연했다. 시스템은 문서에 포함된 교육 패키지 가격과 커리큘럼 정보를 정확히 인용하여 답변을 작성했다. 다만, 구글이 전체 과정을 관리하기 때문에 사용자가 직접 청킹 전략이나 임베딩 모델을 커스텀할 수 없다는 제약이 있다. 또한 동일 문서 업로드 시 중복 체크 기능이 API 수준에서 제공되지 않으므로 워크플로우 단에서 별도의 필터링 로직이 필요하다는 점을 확인했다.
Fully Managed 서비스는 편의성이 높지만 세부적인 튜닝 권한은 제한적일 수 있다.
언급된 리소스
AI 분석 전체 내용 보기
AI 요약 · 북마크 · 개인 피드 설정 — 무료
출처 · 인용 안내
원문 발행 2025. 12. 07.수집 2026. 02. 21.출처 타입 YOUTUBE
인용 시 "요약 출처: AI Trends (aitrends.kr)"를 표기하고, 사실 확인은 원문 보기 기준으로 진행해 주세요. 자세한 기준은 운영 정책을 참고해 주세요.
