플러스프로젝트 배경
1) 문제점 노트·문서가 쌓일수록 "어디에 적었는지" 못 찾아 검색 비효율 발생 키워드(grep) 검색은 내용이 같아도 단어가 다르면 검색이 불가능 클라우드 검색·AI 도구는 민감한 개인·사내 정보가 외부로 나가는 리스크 2) 프로젝트 목표 의미 기반 검색: 단어가 달라도 뜻으로 노트를 찾는 하이브리드 검색 개발 AI 기반 답변: 문서를 근거로 질문에 답하고 출처 노트까지 제시하는 기능 개발
프로젝트 성과
성과명: 한국어 하이브리드 검색 Hit 5 98.0% 달성 (공개 벤치마크)
KorQuAD 벤치마크(2,000단락·500질의)에서 의미검색 단독 97.0% 대비, kiwi 형태소 하이브리드로 98.0% 달성 — 일반 하이브리드(96.8%)보다 우위
키워드 검색 대비 검색 적중률 77.8% → 100%
기존 키워드(grep) 검색이 놓치던 동의어·패러프레이즈 노트를, 의미+키워드 하이브리드 검색으로 모두 상위 5건 내 포착
외부 API 호출 0 — 데이터 완전 로컬 처리
임베딩·답변 생성 전 과정을 로컬(Ollama)에서 처리하고 외부 호출 0을 코드로 강제, 민감 문서가 기기를 벗어나지 않도록 구현
근거 없는 답변(환각) 결정론적 차단
검색 유사도 임계 기반으로 근거 부족 시 LLM 답변 전에 차단, 문서에 없는 질문은 "근거 없음"으로 일관 거부
핵심 기능
하이브리드 의미 검색, 한국어 형태소 기반 검색
의미검색(임베딩)과 키워드(BM25)를 RRF로 융합해, 단어가 달라도 뜻이 같은 노트를 정확히 검색.
kiwipiepy 형태소 분석기로 한국어를 정확히 분해, 라이브러리 기본 토크나이저의 한국어 검색 한계를 해결
kiwipiepy 형태소 분석기로 한국어를 정확히 분해, 라이브러리 기본 토크나이저의 한국어 검색 한계를 해결
진행 단계
기획·설계
2026.06.
요구 분석, 검색·RAG 아키텍처 설계, 핵심 기술 결정 정의
프로젝트 상세
1) 포트폴리오 소개 흩어진 마크다운 노트·문서를 다루는 개인·팀을 위한 로컬 AI 지식검색(RAG) 시스템 개발 서비스 카테고리: AI·머신러닝 (LLM 구축 / RAG / 문서 기반 챗봇) 메인 타깃: 노트·문서가 쌓이는 지식 노동자(개발자·연구자·기획자), 사내 문서를 의미로 검색하려는 조직 질문하면 LLM이 노트를 근거로 답하고 출처까지 보여주며, 임베딩·생성이 전부 로컬에서 동작해 데이터가
