2026년 9월 18일

문맥 검색 (AI 검색)

키워드가 정확히 일치하지 않아도 의미를 이해해 관련 파일을 검색할 수 있습니다.

사용하기 전에

관리자 설정에서 지식 인덱싱이 활성화되어 있어야 합니다. 인덱싱이 완료된 파일만 문맥 검색 대상이 됩니다.

문맥 검색은 파일의 의미를 벡터로 바꿔 저장하는 방식이라, 이 변환을 맡을 임베딩 모델이 로컬에 준비되어 있어야 합니다.

인덱싱과 검색을 모두 워크스페이스 내부에서 처리하므로, 파일이 외부로 나가지 않습니다.

임베딩 모델: 텍스트를 벡터로 변환하는 모델입니다. 한국어 문서가 많다면 다국어를 잘 다루는 모델을 권장합니다(예: bge-m3).
문서 출처까지 함께 확인하려면 이 임베딩 모델로 인덱싱이 끝나 있어야 합니다.

→ 임베딩 모델 준비와 인덱싱 방법: 지식 인덱싱 설정

검색 방법

상단 검색창의 왼쪽 메뉴에서 '문맥 검색'을 선택합니다.
AI 검색 보조 검색창 오른쪽의 🪄 버튼을 눌러, AI 검색 보조 기능을 활성화시킬 수 있습니다.

AI 검색 결과

AI가 검색 결과를 요약해 사내 문서 출처와 함께 알려줍니다.

문서 출처의 숫자 번호는 문맥 유사도 검색에 나온 리스트의 순서와 대응합니다. 출처로 표시된 문서가 곧 AI가 답을 만들 때 근거로 삼은 자료입니다.

실제 문서를 근거로 답합니다 (RAG)

문맥 검색은 AI의 일반 지식에만 의존하지 않습니다. 워크스페이스에서 질문과 관련된 실제 문서를 먼저 찾고, 그 내용을 근거 자료로 전달해 답변과 출처를 함께 보여줍니다. 이를 검색증강생성(RAG, Retrieval-Augmented Generation)이라고 합니다.

실제 문서를 찾아 답변에 활용하는 과정은 인덱싱과 검색, 두 단계로 이루어집니다.

인덱싱 (사전 준비)

파일을 의미 단위(청크)로 나눕니다.
임베딩 모델(예: bge-m3)이 각 청크를 벡터로 변환합니다.
변환된 벡터를 워크스페이스의 벡터 저장소에 보관합니다.

검색 (질문할 때)

입력한 질문도 같은 임베딩 모델로 벡터로 변환합니다.
질문 벡터와 가장 가까운 청크들을 유사도 순으로 찾습니다.
찾아낸 청크를 근거 자료로 AI에 전달합니다.
AI가 그 자료를 바탕으로 답을 요약하고, 사용한 청크를 문서 출처로 표시합니다.

이 구조 덕분에 정확한 키워드를 입력하지 않아도 의미가 비슷한 사내 문서를 찾을 수 있습니다. AI 답변에는 실제로 참고한 문서 출처가 함께 표시되므로, 답변의 근거를 직접 열어 확인할 수 있습니다.

질문과 문서가 같은 임베딩 모델로 벡터화되어야 서로 비교할 수 있습니다. 따라서 인덱싱에 사용한 임베딩 모델을 바꾸면 전체 파일을 다시 인덱싱해야 합니다.

일반 검색과의 차이

	일반 검색	문맥 검색
방식	키워드 텍스트 매칭	AI 임베딩 기반 의미 검색
검색어	정확한 단어 필요	자연어, 유사 표현 가능
대상	파일명·파일 내용	지식 인덱싱된 파일
필요 조건	없음	로컬 임베딩 모델, 지식 인덱싱

알아두기

인덱싱 직후에는 검색 결과가 누락될 수 있습니다. 인덱싱이 완료된 후 검색하세요.
질문 방법에 따라 AI의 검색 결과에 차이가 있습니다. 다양한 방식으로 질문해보세요.
임베딩 모델의 성능과 언어 지원 범위가 검색 품질을 좌우합니다.
임베딩 모델을 교체하면 기존 인덱스와 호환되지 않아 전체 재인덱싱이 필요합니다.