🤖 5단계 : RAG 도입 가능성 점검 - 100-hours-a-week/7-team-ddb-wiki GitHub Wiki

본 프로젝트는 LLM 기반 사용자 맞춤 장소 추천 서비스로 사용자의 자연어 요청을 분석하여 사용자의 취향과 조건에 부합하는 장소를 내부 데이터로부터 추천하는 메커니즘을 가지고 있음

따라서 프로젝트의 목적은 문서 기반 정보 생성이 아닌, 정제된 장소 데이터를 기반으로 한 정밀한 추천이 핵심

• 추천에 사용되는 장소 데이터는 사전에 수집 및 전처리되어 내부에 저장되어 있으며, 외부 문서를 검색하여 동적으로 정보를 가져올 필요가 없음
• 따라서 LLM이 외부 지식 소스에서 문서를 검색하여 응답을 생성하는 RAG 방식은 본 시스템의 목적과 맞지 않음

• 본 프로젝트에서 LLM은 자연어 요청을 분석하고 사용자 조건을 추출하는 데에 사용
• 실제 추천은 후속 처리 로직(예: 벡터 유사도 검색 + 조건 필터링)을 통해 이루어지므로, LLM이 직접 정보를 생성하거나 증강된 문서를 기반으로 응답할 필요가 없음

1. 사용자 질의 입력 (자연어)
2. LLM을 통해 질의에서 조건 추출 (예: 장소 유형, 분위기 등)
3. 조건을 기반으로 벡터 DB에서 유사도 검색 실행
4. 정형 DB와 연계하여 필터링 및 랭킹 적용
5. 최종 추천 결과 반환

query = "조용하고 책 읽기 좋은 카페"
→ LLM 분석 결과: {조용한, 책 ,카페}
→ 임베딩 생성 후 벡터 DB에서 검색
→ 유사도 높은 장소 Top-K 추출
→ 메타 정보와 함께 정렬 후 추천

• 장소 데이터는 정기적으로 수집 및 갱신되며, 변경 사항은 DB에 즉시 반영
• 벡터 임베딩은 정기 또는 이벤트 기반으로 재생성하여 검색 정확도 유지
• 신규 장소 등록 시, 해당 레코드만 부분 임베딩하여 효율적으로 처리