AI 요약관련 정보

• Gemini RAG (파일 검색 도구) 소개: Gemini API 팀이 출시한 새로운 기능으로, Gemini API와 함께 사용할 수 있는 자동화된 RAG(Retrieval Augmented Generation) 시스템입니다. 🚀
• 다양한 문서 형식 지원: PDF, 코드, 텍스트, 마크다운, 로그, JSON 파일 등 다양한 유형의 문서를 업로드할 수 있습니다. 📂
• 자동화된 백엔드 처리: 업로드된 파일은 파일 저장소에 프로비저닝되고, 자동으로 분할(chunking)되며, Gemini 임베딩 모델을 사용하여 임베딩되어 벡터 저장소에 저장됩니다. ⚙️
• 간소화된 쿼리 프로세스: 쿼리 시 Gemini API를 호출하고 파일 검색 도구를 전달하면, 백엔드에서 쿼리 임베딩, 벡터 저장소 조회, 관련 정보 검색, 자연어 응답 생성 및 출처(citations) 제공까지 모두 처리합니다. 💡
• 비용 효율성: 문서 업로드 시 임베딩 호출에 대한 일반 Gemini 임베딩 요금만 부과되며, 벡터 저장소 유지 및 쿼리 시 임베딩은 현재 무료입니다. 일반 Gemini API 호출과 동일하게 토큰 사용량에 따라 요금이 부과됩니다. 💰
• 투명한 답변 출처: 응답에는 grounding_metadata가 포함되어 답변의 근거가 된 원본 문서의 청크(chunk)를 확인할 수 있어 답변의 신뢰도를 높입니다. 📚
• 개발자 친화적인 SDK: genai SDK를 통해 파일 검색 저장소 생성, 문서 업로드 및 쿼리 호출이 간편하게 이루어집니다. 💻
• 스토어 관리의 중요성: 업로드된 원본 문서는 48시간 후 삭제되지만, 파일 검색 저장소는 명시적으로 삭제하기 전까지 유지되므로, 불필요한 비용 발생을 막기 위해 주기적인 관리가 필요합니다. 🗑️
• 고급 기능 지원: 사용자 정의 청킹, 메타데이터 추가, 여러 파일 동시 업로드 등 더 복잡한 시나리오를 위한 고급 기능도 제공됩니다. ✨
• 프롬프트 엔지니어링 팁: "매뉴얼을 읽으라고 사용자에게 요청하지 마세요"와 같은 지시를 프롬프트에 추가하여 RAG 시스템의 답변 품질을 향상시킬 수 있습니다. ✍️