챕터별 상세
00:00
전통적 RAG와 벡터리스 RAG의 구조적 차이
기존 RAG는 문서를 임의의 토큰 단위로 잘라 벡터 DB에 저장하고 유사도 검색을 수행하지만, 이는 문서의 논리적 흐름을 깨뜨리는 단점이 있다. 반면 벡터리스 RAG는 PageIndex를 활용해 문서를 계층적 트리 구조로 변환하고 LLM이 목차를 읽듯 정보를 탐색한다. 이 방식은 벡터 DB 구축 비용을 없애고 검색의 정확도를 높인다.
05:20
PageIndex의 작동 원리와 트리 인덱스 생성
PDF 문서를 입력하면 LLM Tree Builder가 문서의 섹션, 제목, 페이지 정보를 분석하여 계층 구조를 생성한다. 생성된 구조는 JSON 트리 인덱스로 저장되며 각 노드에는 해당 섹션의 요약 정보가 포함된다. 사용자의 질의가 들어오면 LLM은 이 트리를 탐색하며 질문에 가장 적합한 노드 ID를 식별한다.
12:00
목차가 없는 문서의 구조 추론 방식
문서에 명시적인 목차(TOC)가 없는 경우에도 PageIndex는 LLM을 사용해 페이지별 헤더와 구조를 스스로 추론한다. 페이지를 읽어 논리적 경계를 설정하고 섹션을 나누므로 단순 토큰 기반 분할보다 훨씬 정확한 문맥 파악이 가능하다. 추론된 구조는 다시 계층적 트리로 조립되어 검색에 활용된다.
18:30
LLM 트리 검색을 통한 지능형 정보 추출
검색 과정은 트리 인덱스 읽기, 관련 노드 선택 및 추론, 섹션 내용 추출의 3단계로 진행된다. LLM은 트리 구조를 보고 '왜 이 섹션이 정답을 포함할 가능성이 높은지' 추론 과정을 거쳐 노드를 선택한다. 선택된 노드에서 실제 텍스트를 추출하여 최종 답변을 생성하므로 환각 현상이 현저히 줄어든다.
24:00
PageIndex SDK를 활용한 실전 파이프라인 구현
Python 환경에서 PageIndex SDK와 OpenAI API를 연동하여 전체 파이프라인을 구축했다. `submit_document` 함수로 PDF를 업로드하고 트리 인덱스가 생성될 때까지 대기한 뒤 질의를 수행하는 과정을 코드로 시연했다. 실제 테스트 결과 복잡한 AI 커리큘럼 문서에서 특정 모듈의 세부 내용을 정확히 찾아 답변하는 성능을 확인했다.
언급된 리소스
AI 분석 전체 내용 보기
AI 요약 · 북마크 · 개인 피드 설정 — 무료
출처 · 인용 안내
원문 발행 2026. 04. 04.수집 2026. 04. 04.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.
