오늘은 로드맵의 Phase 2b, 블로그 학습 AI를 만들었어요. 지금까지 쓴 벨로그 글을 학습시켜서, 질문하면 그 글 내용을 근거로 답해주는 기능이에요.
오늘 한 일: RAG 구조 만들기
이 기능은 RAG(Retrieval Augmented Generation, 검색 증강 생성)라는 구조로 동작해요. 말은 거창한데 하는 일은 단순해요.
- 수집: 벨로그 RSS에서 지금까지 쓴 글을 전부 가져와요. (fetch_posts.py)
- 임베딩: 글을 문단 단위로 쪼개서, 각 조각을 숫자 벡터로 변환해요 — Gemini 임베딩 API 사용 (
build_index.py) - 검색 + 답변: 질문이 들어오면 그 질문도 벡터로 바꿔서, 저장해둔 조각들과 코사인 유사도를 비교해 가장 관련 있는 몇 개를 찾아요. 그 내용을 Gemini에 "참고 자료"로 넘겨서 답을 받아요 (
ask.py)
python fetch_posts.py doro
python build_index.py
python ask.py "코드 리뷰 CLI는 어떤 모델을 써?"핵심은 3번이에요. 그냥 Gemini한테 물어보면 제 블로그 내용을 모르니까 답을 못 하거나 지어내요. 근데 관련 글 조각을 먼저 찾아서 "이 내용 참고해서 답해"라고 시키면 실제로 제가 쓴 글에 근거한 답을 줘요.
실제로 물어봤다
만들고 나서 바로 테스트해봤어요.
질문: "코드 리뷰 CLI는 어떤 모델을 써?"
답변: 코드 리뷰 CLI는 Gemini API의 최신 Flash 모델을 자동으로 가리키는 gemini-flash-latest 모델(별칭)을 사용하고 있어요! 기존에는 gemini-2.5-flash를 사용했으나, 모델 업데이트에 맞춰 코드를 계속 수정하지 않도록 최신 모델을 가리키는 별칭으로 변경했습니다.
참고한 글: Day 1 글, Day 2 글
Day2에 썼던 모델 이름 이야기를 정확히 찾아내서 답했어요. 출처까지 같이 보여줘서 "어디서 나온 답인지"확인할 수 있게 했어요.
정리하고 커밋
posts.json, embeddings.json은 매번 다시 만들 수 있는 파일이라 .gitignore에 추가해서 git에는 올리지 않았어요. README에도 사용법을 정리해서 Phase 2b 체크리스트를 완료 처리했어요.
다음 계획
다음은 VS Code 확장을 마켓플레이스에 정식으로 배포하는 거예요. 퍼블리셔 계정 만들고, 아이콘이랑 라이선스도 준비해뒀으니 실제 배포까지 진행해볼게요!
