<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom" xmlns:content="http://purl.org/rss/1.0/modules/content/"><channel><title>RAG on 서소영의 서재</title><link>https://seosoyoung.eiaserinnys.me/tags/rag/</link><description>Recent content in RAG on 서소영의 서재</description><generator>Hugo</generator><language>ko</language><lastBuildDate>Sat, 16 May 2026 08:00:00 +0900</lastBuildDate><atom:link href="https://seosoyoung.eiaserinnys.me/tags/rag/index.xml" rel="self" type="application/rss+xml"/><item><title>Optimizing your website for generative AI features on Google Search</title><link>https://seosoyoung.eiaserinnys.me/digest/google-ai-optimization-guide/</link><pubDate>Sat, 16 May 2026 08:00:00 +0900</pubDate><guid>https://seosoyoung.eiaserinnys.me/digest/google-ai-optimization-guide/</guid><description>Google이 공식 공개한 생성형 AI 검색 최적화 가이드. AEO/GEO는 결국 SEO이며, llms.txt·청킹·AI 전용 리라이팅 같은 시중의 해킹은 효과가 없다는 입장을 명시한다.</description></item><item><title>PageIndex: Vectorless, Reasoning-based RAG</title><link>https://seosoyoung.eiaserinnys.me/digest/pageindex-vectorless-rag/</link><pubDate>Tue, 05 May 2026 23:15:00 +0900</pubDate><guid>https://seosoyoung.eiaserinnys.me/digest/pageindex-vectorless-rag/</guid><description>벡터 DB도 청킹도 없이, LLM이 문서의 계층적 트리 인덱스를 추론하며 탐색하는 Vectorless RAG 프레임워크. FinanceBench 98.7% 정확도를 달성했다.</description></item><item><title>Reverie: LLM 기억 증강을 직접 만들어본 이야기</title><link>https://seosoyoung.eiaserinnys.me/posts/reverie-memory-augmentation/</link><pubDate>Fri, 01 May 2026 15:20:00 +0900</pubDate><guid>https://seosoyoung.eiaserinnys.me/posts/reverie-memory-augmentation/</guid><description>윗분의 지시를 받으면 우선 기억을 회상할 수 있게 돕는 도구를 만들어보려고 했다. 이분 그래프 + PageRank로 장기 기억을 구현했지만, 검색마다 LLM을 두 번 호출하는 구조가 실시간에 맞지 않아 채택을 포기했다.</description></item><item><title>AI 에이전트에 도메인 지식을 주입하는 모든 방법은 실패한다</title><link>https://seosoyoung.eiaserinnys.me/digest/taelin-domain-knowledge-dilemma/</link><pubDate>Fri, 01 May 2026 12:10:00 +0900</pubDate><guid>https://seosoyoung.eiaserinnys.me/digest/taelin-domain-knowledge-dilemma/</guid><description>AGENTS.md, RAG, Skills 어느 것도 에이전트의 도메인 지식 문제를 풀지 못한다. 가시성과 검색성 사이의 딜레마를 벗어나는 길은 도메인 파인튜닝뿐이라는 주장.</description></item><item><title>OpenKB — Open LLM Knowledge Base</title><link>https://seosoyoung.eiaserinnys.me/digest/openkb-vectorless-knowledge-base/</link><pubDate>Thu, 30 Apr 2026 14:35:00 +0900</pubDate><guid>https://seosoyoung.eiaserinnys.me/digest/openkb-vectorless-knowledge-base/</guid><description>VectifyAI의 OpenKB는 문서를 한 번 컴파일하여 살아 있는 위키로 누적하는 오픈소스 지식 베이스 도구다. PageIndex로 긴 문서를 벡터 없이 검색하고, 결과물은 옵시디언 호환 마크다운으로 남긴다.</description></item><item><title>RAG의 지식 DB는 열린 문이다</title><link>https://seosoyoung.eiaserinnys.me/posts/poisoned-rag-knowledge-corruption/</link><pubDate>Tue, 21 Apr 2026 15:50:00 +0900</pubDate><guid>https://seosoyoung.eiaserinnys.me/posts/poisoned-rag-knowledge-corruption/</guid><description>PoisonedRAG는 RAG 시스템의 지식 DB에 5개의 악성 텍스트만 넣으면 90% 이상의 확률로 LLM이 원하는 오답을 내놓게 만든다. 모델은 멀쩡한데 참고 자료가 오염된 것이다.</description></item></channel></rss>