잼얘하기 - 4

김키핑·2026년 6월 21일

노잼걸 탈출기

목록 보기

3/5

저번주에는 잼얘에 일상을 섞으라는 피드백을 받아 일상적인 이야기로 잼얘?를 시작해보고자 한다.

이번주에는 ...

이 이후에는 스터디에서 지난주 에 하네스 엔지니어링에 대한 대화를 했던것에 대해 생각했다.

하네스 엔지니어링의 효율을 높이려면 어떻게 해야할까?

전 주에서도 언급되었듯 하네스 엔지니어링의 구성에는 MCP서버가 포함된다.

MCP 서버는 AI가 필요한 정보나 도구에 접근할 수 있도록 연결해 주는 인터페이스 역할을 수행한다. 예를 들어 사내 문서, 코드 저장소, 데이터베이스, 파일 시스템 등의 정보를 AI가 필요한 순간에 조회하고 활용할 수 있도록 돕는다.

그런데, 문제는 데이터 탐색범위가 클 때이다.

AI가 MCP 서버를 통해 수천 개의 문서나 방대한 코드베이스를 조회한다고 가정할 때, 연결된 검색 시스템이 단순 키워드 매칭에 의존한다면,

(1) 관련 없는 결과가 함께 반환됨.
(2) 필요한 정보를 찾기 위해 많은 검색을 반복하며 응답속도도 떨어짐

의 문제가 발생할 것...!

위와 같은 문제를 해결하기 위해 Vector DB를 활용할 수 있다.

Vector DB는 데이터를 단순 문자열이 아닌 의미 정보를 반영한 고차원 임베딩 벡터(Embedding Vector)로 저장하며, 문자열의 일치 여부가 아니라 벡터 간 유사도를 기반으로 검색을 수행한다.

기존 소프트웨어의 검색 기능은 대부분 키워드 일치 여부를 기준으로 동작해 사용자가 입력한 단어와 저장된 데이터의 표현이 다르면 원하는 정보를 찾지 못할 수 있다.

예를 들어 양치기를 검색했는데 문서에는 cold_as_hell이라는 표현만 존재한다면, 두 단어가 같은 대상을 의미하더라도 검색 결과에 포함되지 않는다.

하지만 Vector DB는 표현이 아니라 의미의 유사성을 기반으로 데이터를 탐색하기 때문에, 직접적인 키워드가 일치하지 않아도 관련성이 높은 정보를 찾아낼 수 있다.

`양치기` → `거짓말쟁이` → `Profitah` → `cold_as_hell`

하네스엔지니어링에 Vector DB를 도입하면, 불필요한 탐색을 줄이고 더 정확한 컨텍스트를 제공하여, AI의 응답 품질과 작업 효율을 모두 향상시킬 수 있다.

하네스 엔지니어링에서도 이러한 특성은 큰 장점이 된다. AI가 MCP 서버를 통해 방대한 문서와 코드베이스를 탐색할 때 단순 문자열 매칭 대신 질문의 문맥과 의미를 기반으로 관련성이 높은 정보만 검색할 수 있기 때문이다.

양치기소녀