기간을 적어주세요 (예: 2025.06 — 2025.11) · 설계 · 개발 · 평가셋 구축

edu-rag — 교육 문서 기반 RAG 검색·응답

반복되는 CS 문의를 사내 교육 문서에 연결해, 답을 찾는 시간과 답이 틀리는 횟수를 함께 줄였다.

  • Python
  • Embedding
  • Vector DB
  • LLM
답변 정확도
N% → M%
평균 응대 시간
N분 → M분
문서 커버리지
N건

문제

CS로 들어오는 질문의 상당수가 이미 문서에 답이 있는 것들이었다. (전체 문의 중 몇 %가 반복 문의였는지, 담당자가 답을 찾는 데 평균 몇 분이 걸렸는지 적습니다.)

접근

  • 문서 정리 — (어떤 문서를 몇 건 넣었고, 어떻게 청킹했는지)
  • 검색 — (임베딩 모델, 벡터 DB, top-k 같은 선택과 그 이유)
  • 응답 — (근거 문서를 어떻게 함께 보여줬는지 / 환각을 어떻게 막았는지)
  • 평가 — (실제 CS 문의로 평가셋을 몇 건 만들었고 무엇을 측정했는지)

성과

(위 질문에 대한 답을 문장으로 적습니다.)

실패한 시도

(처음 잡았던 청킹/검색 전략이 왜 안 통했는지 적습니다. 이 섹션이 있는 RAG 글이 훨씬 신뢰를 얻습니다.)