> ## Documentation Index
> Fetch the complete documentation index at: https://bctone-71574429.mintlify.site/llms.txt
> Use this file to discover all available pages before exploring further.

# Step 3: 지식베이스 개요

> 내 문서를 AI에 연결하여 조직 맥락을 이해하는 전용 AI를 만듭니다

# Step 3: 지식베이스 개요

## 기능 소개

지식베이스는 **문서를 업로드하고 AI 대화에서 참조**하는 기술입니다. RAG(Retrieval-Augmented Generation, 검색 증강 생성)를 통해 나만의 문서 저장소를 구축할 수 있습니다.

* **지원 파일 형식**: PDF, DOCX, Text, CSV, MD

<Note>
  AI는 학습되지 않은 **내부 자료, 최신 문서, 회사 규정** 등을 알지 못합니다. 지식베이스에 문서를 등록하면 AI가 해당 문서를 참조하여 **정확한 답변**을 제공합니다.
</Note>

***

## 지식베이스 설정 방식 비교

<Tabs>
  <Tab title="기본 (Basic) — 권장">
    **초심자 및 일반 사용자**를 위한 설정 방식입니다.

    * 파일 업로드 → 기본 설정(권장값)으로 생성
    * AI 실습에서 문서 참조하여 바로 활용
    * 별도의 파라미터 조정 없이 즉시 사용 가능
  </Tab>

  <Tab title="옵션 (고급)">
    **전문가용**, 정밀한 제어가 필요할 때 사용합니다.

    * 청킹 설정 조절 (문서 분할 방식 및 길이)
    * 검색 설정 조절 (Top-K, 유사도 임계값)
    * 리랭크 모델 활성화
  </Tab>
</Tabs>

<Tip>
  기본 설정으로도 충분히 활용 가능합니다. 옵션은 검색 정확도를 더 높이거나 특정 도메인 문서에 최적화가 필요할 때 조절하세요.
</Tip>

***

## 청크 개념

지식베이스를 이해하려면 \*\*청크(Chunk)\*\*와 **청킹(Chunking)** 개념을 알아야 합니다.

| 용어               | 설명                                                             |
| ---------------- | -------------------------------------------------------------- |
| **청크(Chunk)**    | 문서를 나눈 조각 하나하나. AI는 100페이지 전체가 아니라 질문과 관련된 '청크'를 찾아 답변에 활용합니다. |
| **청킹(Chunking)** | 문서를 AI가 검색하기 좋은 크기로 나누는 과정. 챕터나 문단 단위로 나누면 검색 정확도가 높아집니다.      |

> **비유**: 책 전체를 던져주는 것 vs 필요한 페이지만 펼쳐주는 것의 차이입니다.

***

## 지식베이스 생성 4단계

<Steps>
  <Step title="데이터 소스">
    지식베이스에 추가할 **파일을 선택 또는 업로드**합니다.
  </Step>

  <Step title="청킹 설정">
    문서를 어떻게 나눌지 설정합니다. **청킹 방식, 청크 길이** 등을 지정합니다.
  </Step>

  <Step title="검색 설정">
    RAG 검색 방식과 파라미터를 설정합니다. **Top-K, 유사도** 등을 조절합니다.
  </Step>

  <Step title="미리보기">
    설정 내용을 확인한 후 **생성을 완료**합니다.
  </Step>
</Steps>

***

## 핵심 기술 용어

<AccordionGroup>
  <Accordion title="임베딩 (Embedding)">
    텍스트를 AI가 이해할 수 있는 **숫자(벡터)로 변환**하는 과정입니다.

    * **기본값**: `text-embedding-3-small`
    * 의미적으로 유사한 텍스트는 벡터 공간에서 가까이 위치하게 됩니다.
  </Accordion>

  <Accordion title="리랭크 (Rerank)">
    검색된 결과의 **순위를 다시 매겨 정확도를 높이는** 과정입니다.

    * **기본값**: `BAAI/bge-reranker-v2-m3`
    * 1차 검색 결과를 재정렬하여 가장 관련성 높은 청크를 상위로 올립니다.
  </Accordion>

  <Accordion title="청크 중첩 (Overlap)">
    문서 분할 시 **문맥 단절을 방지**하기 위해 인접 청크 간 내용을 겹치게 하는 설정입니다.

    * **예시**: "사과는 맛있다"가 잘리는 것을 막고 양쪽 청크 모두 온전한 문맥을 포함합니다.
  </Accordion>
</AccordionGroup>

***

## 청킹 설정 상세

| 설정 항목           | 권장값 | 설명                       |
| --------------- | --- | ------------------------ |
| **청킹 방식**       | 일반  | 일반 또는 Parents-Child 중 선택 |
| **최대 길이**       | 800 | 청크 하나의 최대 토큰 수           |
| **중첩(Overlap)** | 200 | 인접 청크 간 겹치는 토큰 수         |

***

## 검색 파라미터 설정

| 파라미터        | 설명        | 튜닝 팁                                              |
| ----------- | --------- | ------------------------------------------------- |
| **Top-K**   | 검색할 청크 개수 | 5\~7개 적당. 높이면 정보 누락 줄지만 노이즈 증가                    |
| **유사도 임계값** | 최소 유사도 기준 | 높이면(0.8) 정확하지만 놓칠 수 있음. 낮추면(0.5) 범위 넓지만 엉뚱한 내용 가능 |

***

## 비교 모드 (Comparison Mode)

지식베이스의 비교 모드에서는 **3가지 응답 방식**을 나란히 비교할 수 있습니다.

| 모드         | 설명                             |
| ---------- | ------------------------------ |
| **순수 LLM** | 외부 문서 참조 없이 AI 모델이 기본 지식만으로 응답 |
| **문서 참조**  | 기본(권장) RAG 설정으로 질문             |
| **RAG 설정** | 세부 파라미터를 직접 조절                 |

### 추천 비교 조합

1. **순수 LLM vs 문서 참조** → RAG 효과(할루시네이션 감소) 체험
2. **문서 참조 vs RAG 설정** → 파라미터 튜닝 효과 비교
3. **Top-K 3개 vs Top-K 10개** → 검색 범위에 따른 정확도 차이 확인

***

## 활용 전 VS 후 예시

<Tabs>
  <Tab title="지식베이스 없이">
    **질문**: "우리 회사 연차 사용 규정이 어떻게 돼?"

    **답변**: "일반적으로 연차는 근로기준법에 따라 1년 근속 시 15일이 부여됩니다. 회사마다 규정이 다를 수 있으니 정확한 내용은 인사팀에 문의해보세요."
  </Tab>

  <Tab title="지식베이스(RAG) 활용">
    **질문**: "우리 회사 연차 사용 규정이 어떻게 돼?"

    **답변**: "회사 규정집에 따르면: 1년 미만: 월 1일씩 발생 / 1년 이상: 15일 + 2년마다 1일 추가 / 미사용 연차: 익년 6월까지 이월 가능 (인사규정집 p.23)"
  </Tab>
</Tabs>

<Tip>
  수업 교재 PDF를 등록하여 학생들이 질문하게 하거나, 같은 질문을 **'순수 LLM' vs '문서 참조'** 모드로 비교하여 RAG의 필요성을 직접 체감하게 지도하세요.
</Tip>