RAG발행일 2025. 10. 29.원본 https://blog.naver.com/jword_/224057576780 ↗

벡터 DB란? ChromaDB 사용해보기

벡터 DB란? ChromaDB 사용해보기 — #벡터DB란 #ChromaDB #개발자의도구들 벡터 DB란? 전통적인 DB는 쿼리기반 검색을 수행합니다. 예...

#RAG#Naver Blog

#벡터DB란 #ChromaDB #개발자의도구들

벡터 DB란?

전통적인 DB는 쿼리기반 검색을 수행합니다. 예를들어 도서관 정보시스템에 "해리포터"를 검색하면 해리포터키워드가 들어가는 책을 모두 찾아줍니다.

일반적으로 우리가 많이 사용하는 MySQL, Redis 등이 이에 해당합니다.

벡터DB의 경우에는 조금다릅니다. 정보시스템에 직접 키워드를 검색하는 것 보다는 사서에게 질문하는 것과 비슷합니다.

"마법 학교와 관련된 책을 찾아주세요"라고 질의하면 사서는 관련된 책들을 여러개 찾아줍니다. 해리포터, 해리포터 영문판, 나니아 연대기, 퍼시잭슨 등 질의와 최대한 관련된 책들을 찾아줍니다.

해당 원리는 아래에서 이어 설명하겠습니다.

ChromaDB

대표적인 백터DB로는 ChromaDB가 존재합니다. Langchain과 완벽호환 되며 python과 친화적인 벡터 DB입니다.

ChromaDB의 구조를 말씀드리겠습니다.

📌Collection

RDBMS의 테이블과 비슷한 개념입니다.

map 형태로 데이터를 저장합니다.
key가 해당 데이터의 속성에 해당합니다.
단, collection key는 ChromDB에서 고정해둡니다.

text 코드 예제

                                    collection.add(
    documents=[
        "비트코인은 디지털 화폐입니다", # Document 1
        "이더리움은 스마트컨트랙트를 지원", # Document 2
        "리플은 송금에 특화되어 있음" # Document 3
    ],
    metadatas=[
        {"coin": "BTC", "category": "basic"}, # Document 1의 메타
        {"coin": "ETH", "category": "basic"}, # Document 2의 메타
        {"coin": "XRP", "category": "basic"} # Document 3의 메타
    ],
    ids=["doc_001", "doc_002", "doc_003"]
)

이런식으로 구조화되어있습니다. 여기서 데이터의 속성을 추가하고 싶다면 metadata에 추가해서 넣을 수 있습니다.

각 데이터는 index를 통해 분류됩니다.

📌Document

Document는 위의 Collection에 들어가는 하나의 데이터 덩어리입니다. RDBMS의 row와 비슷합니다.

text 코드 예제

                                    document = {
    'text': "비트코인은 2009년에 탄생했습니다..",
    'metadata': {
        'category': 'history',
        'coin': 'BTC',
        'date': '2025-01-15'
    },
    'id': 'doc_001'
}

Document에는 원본데이터(보통은 Chunk로 나눠짐)가 들어가고 추가적으로 해당 전체 텍스트에 대한 metadata가 들어갑니다.

여기서 metadata는 보통 chunk로 나뉘기전의 전체 데이터를 저장합니다.

text 코드 예제

                                    ┌─────────────────────────┐
│ Collection: coin_faq    │
├─────────────────────────┤
│ 외부 레이어 (API)       │
│ ├─ ids                  │
│ ├─ documents            │
│ └─ metadatas            │
├─────────────────────────┤
│내부 레이어 (내부)       │    
│ └─ embeddings           │
│ [0.123, 0.456, ...]     │
└─────────────────────────┘

embedding 벡터는 사용자에게 노출되지 않는 내부 레이어에 저장됩니다. (그렇다고 못 보는건 아닙니다)