의미 기반 검색 vs 키워드 검색
'느낌'으로 찾는 검색이 키워드 검색이 놓치는 것을 찾아내는 이유, 그리고 여전히 밀리는 지점.
2026년 4월 업데이트
키워드 검색은 문자열을 맞추고, 의미 기반 검색은 의미를 맞춰요. 키워드 검색은 입력한 단어가 스크립트에 그대로 들어 있어야만 영상을 찾아 줘요. 의미 기반 검색은 벡터 임베딩을 써서 검색어의 의미와 라이브러리 속 모든 청크의 의미를 비교해요. 그래서 "미루는 습관 고치는 법"을 검색하면, 겹치는 단어가 하나도 없어도 "저항을 이겨 내기"라는 제목의 강연이 나올 수 있어요.
의미 기반 검색은 실제로 이렇게 동작해요
라이브러리의 모든 텍스트 청크는 임베딩 모델을 거쳐 벡터가 돼요. 벡터는 청크의 의미를 나타내는 약 1500개의 숫자 목록이에요. 검색어도 똑같이 처리돼요. 검색기는 검색어 벡터와 가장 가까운 벡터를 가진 청크를 돌려줘요(코사인 유사도). 벡터 공간에서 가깝다는 건 곧 의미가 가깝다는 뜻이고, 이 관계는 수십억 개의 학습 예시에서 익힌 거예요.
키워드 검색이 여전히 이기는 곳
정확한 식별자를 찾을 때예요. 제품명, 오류 코드, 사람 이름, URL, 코드 조각, 법률 인용 같은 것들이죠. "GPT-5"나 "useEffect", "Form 1099-MISC"를 찾는다면 비슷한 표현이 아니라 정확히 일치하는 결과가 필요해요. 키워드 검색(또는 BM25)은 의미 기반 검색이 어려워하는 부정 조건과 연산자("foo AND NOT bar")도 잘 처리해요.
하이브리드 방식
실서비스 검색기는 두 방식을 섞어 써요. BrainTube는 BM25와 밀집 벡터 인덱스를 병렬로 돌리고, 상호 순위 융합(RRF)으로 결과를 합친 뒤, 상위 약 50개를 크로스 인코더 모델로 다시 순위를 매겨요. 그 결과, 다르게 표현한 검색어로도 개념적으로 관련된 콘텐츠가 나오고, 정확한 이름으로 검색하면 여전히 맞는 결과가 1위에 올라와요.
모델 품질보다 검색기 품질이 더 중요한 이유
검색기가 나쁘면 최첨단 LLM도 환각을 일으켜요. 잘못된 맥락을 받거나 맥락을 아예 못 받기 때문이에요. 반대로 평범한 LLM이라도 검색기가 훌륭하면 근거가 탄탄해서 정확하게 인용해요. BrainTube는 청킹, 임베딩, 하이브리드 점수 산정, 재순위화 같은 검색기 쪽에 연산을 집중해요. 그래서 어떤 LLM을 연결하든 더 날카로운 답변을 얻을 수 있어요.
자주 묻는 질문
- 임베딩은 키워드와 같은 건가요?
- 아니요. 임베딩은 의미를 담은 밀집 수치 벡터이고, 키워드는 텍스트에 있는 문자열 그 자체예요. 둘은 서로를 대체하는 게 아니라 보완하는 관계예요.
- 의미 기반 검색에서 가끔 엉뚱한 결과가 나오는 이유는 뭔가요?
- 보통 두 가지 이유예요. 청크가 너무 커서 여러 주제가 섞이는 바람에 임베딩이 평균값처럼 흐려지거나, 검색어가 너무 짧아서("왜?"에는 의미 신호가 없어요) 그래요. 검색어를 더 길고 구체적으로 쓰고 청크를 더 촘촘하게 나누면 대부분 해결돼요.
- BrainTube에서 키워드 검색을 강제할 수 있나요?
- 네. "useEffect"나 "Naval Ravikant"처럼 단어를 큰따옴표로 감싸면 정확히 일치하는 결과가 우선돼요.
내 자료로 BrainTube를 써 보세요
카드 등록 없이 무료로 시작하고, 언제든 내보낼 수 있어요.
더 읽어 보기
- MCP(Model Context Protocol)란 무엇인가요? — MCP(Model Context Protocol)는 Claude, Cursor 등 여러 AI 클라이언트가 하나의 인터페이스로 내 도구와 데이터를 쓸 수 있게 해 주는 개방형 표준이에요.
- 실무자를 위한 검색 가능한 지식 베이스 — 실무자를 위한 검색 가능한 지식 베이스: 메모, 영상, PDF를 Claude, Cursor 등 이미 쓰고 있는 도구 안에서 바로 검색할 수 있으면 무엇이 달라지는지 알아봐요.
- 90초 만에 이해하는 RAG — 엔지니어가 아니어도 이해할 수 있게 풀어 쓴 검색 증강 생성(Retrieval-Augmented Generation).