언어 모델은 일반적인 질문에는 답할 수 있지만, 애플리케이션이 먼저 관련 정보를 검색하지 않으면 사설 지식 베이스를 신뢰할 수 있게 조회하기 어렵습니다. JavaScript 개발자를 위해 LangChain.js는 문서, 임베딩, 검색(리트리벌)에 대한 익숙한 추상화를 제공합니다. 여기에 필요한 마지막 퍼즐은 생성된 벡터를 저장하고 검색할 수 있는 지속형 저장소입니다.
Oracle AI Database는 @oracle/langchain-oracledb 통합을 통해 그 역할을 수행합니다. 이 가이드에서는 작은 TypeScript 워크플로를 Oracle에 연결하고, 메타데이터와 함께 텍스트를 저장하고, 유사도 검색을 실행하며, 필터와 최대 한계 관련성(MMR)으로 검색 품질을 개선합니다. 튜토리얼은 검색 워크플로에 초점을 맞추며, 동반 TypeScript 애플리케이션은 동일한 통합을 대화형 브라우저 UI에 추가합니다.
LangChain.js는 애플리케이션이 임베딩 모델과 벡터 스토어를 다루는 방식을 표준화합니다. Oracle 통합 패키지는 OracleVS를 제공하며, 이는 문서 텍스트, 메타데이터, 벡터 임베딩을 Oracle AI Database에 영속적으로 저장하는 벡터 스토어 구현입니다. 애플리케이션은 각 유사도 쿼리마다 SQL을 수동 작성하는 대신 LangChain.js 메서드를 호출합니다.
같은 통합 패키지에는 OracleDocLoader, OracleTextSplitter, OracleEmbeddings, OracleSummary도 포함됩니다. 이들은 유용한 선택적 빌딩 블록이며, 아래 예제는 OracleVS에 집중하고 임베딩 생성을 분리해 흐름을 이해하기 쉽게 유지합니다.
LangChain.js, OracleVS, Oracle AI Database를 사용한 문서 적재와 검색
통합의 주요 기능
문서 메타데이터와 함께 임베딩 저장
임베딩 모델은 텍스트를 수치 벡터로 변환합니다. OracleVS는 이 벡터를 원문 텍스트 및 구조화된 메타데이터와 함께 저장합니다. 문서 범주나 출처 같은 메타데이터는 유용한 문맥을 버리지 않으면서 애플리케이션이 검색 범위를 제한하는 데 도움을 줍니다.
벡터 유사도로 관련 구절 검색
쿼리 시점에는 동일한 임베딩 모델이 질문을 벡터로 변환합니다. Oracle은 코사인 거리 같은 구성된 거리 전략으로 저장된 벡터와 비교해 가장 가까운 문서를 반환합니다. 결과는 여전히 다운스트림 처리를 위해 준비된 LangChain Document 객체로 제공합니다.
필터링과 MMR로 결과 제어
유사도 검색은 “이 질문과 가장 가까운 항목은 무엇인가?”에 답합니다. 메타데이터 필터는 적격 문서를 좁혀 줍니다. MMR은 다른 목표를 추가합니다. 선택된 구절의 관련성을 유지하면서 거의 중복인 결과를 줄이는 것입니다. 이 연산들은 상호 대체가 아닌 상호 보완적입니다.
LangChain.js와 Oracle AI Database 시작하기
사전 준비
이 TypeScript 예제를 위해 Node.js 24.13.0, npm 11.6.2, 벡터를 지원하는 로컬 Oracle AI Database 26ai Free 인스턴스, 그리고 데모 테이블 및 그 벡터 인덱스를 생성/삽입/조회/드롭할 수 있는 스키마가 필요합니다. 또한 임베딩 예제를 위한 OpenAI API 키가 필요합니다. OpenAIEmbeddings는 LangChain 호환 선택지일 뿐 OracleVS의 요구 사항은 아닙니다.
이 폴더에 index.ts라는 파일을 만드세요. 아래 실행 가능한 TypeScript 스니펫을 같은 파일에 표시된 순서대로 추가합니다. 각 스니펫을 별도 파일로 만들지 마세요. 실행 가능한 TypeScript 스니펫만 복사하세요. SQL과 대표 출력 블록은 설명용 예시이므로 index.ts에 붙여넣지 않습니다.
package.json의 type=module 설정은 예제에서 사용하는 최상위 await를 허용합니다. Node.js 패키지 구성은 공식 Node.js 패키지 가이드에 문서화되어 있습니다.
Oracle 통합 패키지는 벡터 스토어를, @langchain/core는 Document를, @langchain/openai는 예제 임베딩 모델을, oracledb는 데이터베이스 연결을 제공합니다. 위 버전은 동반 애플리케이션과 일치하며, tsx는 별도 빌드 단계 없이 TypeScript 예제를 바로 실행합니다.
이 값을 로컬 .env 파일에 저장하고 .env를 .gitignore에 추가하세요. 이 글은 재현 가능한 단계를 위해 로컬 Oracle AI Database Free를 기본 설정으로 사용합니다. Autonomous AI Database도 유효한 배포 대안이지만, 해당 환경의 서비스 설명자와 지갑 또는 TLS 구성이 필요합니다.
풀은 OracleVS가 데이터베이스 세션을 재사용할 수 있게 합니다. 모든 적재, 검색, 검증 문은 try 블록 안에 유지하세요. 다음 코드 블록이 그 블록을 시작하며 이후 스니펫이 이를 이어갑니다. 풀은 아래 정리 섹션의 검증 이후에만 닫습니다. 서버 애플리케이션에서는 풀을 한 번 초기화하고 우아한 종료 시 닫으며, 사용자 요청마다 새 연결을 열지 않습니다.
LangChain.js로 문서 검색 만들기
겹치는 검색 구절을 포함해 10개의 짧은 지식 베이스 노트를 사용합니다. 코퍼스는 의도적으로 작지만, 일반 유사도 검색과 메타데이터 필터링, MMR을 비교하기에 적합합니다.
지식 문서를 정의
try{const documents =[["database-guide","database","Oracle AI Database stores vector embeddings alongside application data."],["connection-pooling","operations","A connection pool reuses Oracle database sessions across requests."],["vector-indexes","performance","HNSW vector indexes can improve nearest-neighbor search as a table grows."],["metadata-filtering","retrieval","Metadata filters restrict retrieval to matching categories or sources."],["similarity-search","retrieval","Similarity search returns chunks closest to the query embedding."],["mmr-retrieval","retrieval","MMR reduces repeated content while keeping results relevant."],["retrieval-overlap-1","retrieval","Similarity search may return several near-duplicate passages when multiple notes explain the same retrieval strategy."],["retrieval-overlap-2","retrieval","Several notes about the same retrieval strategy can produce repetitive top matches; MMR selects a more diverse set while preserving relevance."],["troubleshooting","troubleshooting","For empty results, check ingestion, embeddings, and filters."],["embedding-compatibility","retrieval","Ingestion and query retrieval must use compatible dimensions."],].map(([source, category, pageContent])=>newDocument({ pageContent, metadata:{ source, category }}));제공
각 Document는 pageContent와 metadata를 갖습니다. source와 category 필드는 적재와 검색 전 과정을 따라 문서와 함께 이동하므로, 애플리케이션이 결과의 출처를 설명하고 관련 하위 집합으로 검색을 제한할 수 있습니다.
임베딩 구성 및 OracleVS 생성
const embeddings =newOpenAIEmbeddings({
model:"text-embedding-3-small",});const vectorStore =await OracleVS.fromDocuments(documents, embeddings,{
client: pool,
tableName:"LC_JS_RAG_DEMO",
query:"Oracle AI Database document search",
distanceStrategy: DistanceStrategy.COSINE,
format: VectorElementFormat.FLOAT32,});제공
OracleVS.fromDocuments()는 핵심 통합 호출입니다. 이는 벡터 스토어를 초기화하고, 제공된 문서에 대한 임베딩을 생성하며, 그 내용과 벡터, 메타데이터를 Oracle AI Database에 저장합니다.
query 매개변수는 초기화 중 데이터베이스 테이블에 필요한 벡터 차원을 결정하기 위해 임베딩되는 샘플 텍스트를 제공합니다. 저장된 문서를 검색하는 데 사용되지는 않습니다. DistanceStrategy.COSINE은 벡터 거리 지표를 지정하고, VectorElementFormat.FLOAT32는 벡터 요소 포맷을 설정합니다.
적재를 다시 실행하기 전에는 새 데모 테이블 이름을 사용하거나 기존 데이터를 비워 중복 문서 삽입을 피하세요.
OracleVS는 LangChain 호환 임베딩 구현을 받으므로, 개발자는 전체 벡터 스토어 워크플로를 변경하지 않고도 임베딩 제공자를 교체할 수 있습니다. 단, 적재와 검색에 사용하는 임베딩은 Oracle 벡터 컬럼과 호환되어야 합니다.
OracleVS는 구성된 임베딩 모델을 사용해 초기화 중 벡터 차원을 결정합니다. Oracle AI Database에 이미 저장된 벡터의 차원과 저장 형식을 확인하려면 다음 SQL을 실행하세요:
SELECT
VECTOR_DIMENSION_COUNT(embedding)AS vector_dimensions,
VECTOR_DIMENSION_FORMAT(embedding)AS vector_format
FROM LC_JS_RAG_DEMO
FETCHFIRST1ROW ONLY;제공
차원이 다른 임베딩 모델로 전환하는 경우, 호환되는 벡터 테이블을 생성하고 문서 임베딩을 재생성하세요. 두 모델이 같은 차원의 벡터를 만들어도 임베딩 공간이 다를 수 있으므로, 새 모델로 검색하기 전에 기존 문서는 재임베딩하는 것이 좋습니다.
코드는 각 LangChain Document를 표시용으로 source와 pageContent를 담은 일반 객체로 매핑합니다. 대표 출력은 아래와 같으며, 임베딩 모델과 쿼리에 따라 정확한 순서는 달라질 수 있습니다:
[
{ source: "retrieval-overlap-2", text: "Several notes about the same retrieval strategy can produce repetitive top matches; MMR selects a more diverse set while preserving relevance." },
{ source: "retrieval-overlap-1", text: "Similarity search may return several near-duplicate passages when multiple notes explain the same retrieval strategy." },
{ source: "mmr-retrieval", text: "MMR reduces repeated content while keeping results relevant." }
]제공
첫 번째 인수는 사용자 질문이며, 두 번째는 검색할 최대 문서 수인 k입니다. LangChain.js는 구성된 임베딩 모델을 사용해 질문을 벡터로 변환하고, Oracle AI Database가 유사도 검색을 수행해 가장 근접한 문서를 찾습니다.
검색 조건과 메타데이터 필터를 적용한 후 k보다 적은 문서만 가능하다면, 메서드는 사용 가능한 결과만 반환합니다. 검색된 Document 객체에는 텍스트와 메타데이터가 포함되어 있어 출처 표시와 함께 보여주거나 이후 답변 생성 단계에 전달할 수 있습니다.
검색 점수 확인
예를 들어 각 검색된 문서에 연관된 거리를 확인하려면 similaritySearchWithScore를 사용합니다:
similaritySearchWithScore는 각 일치 항목에 거리를 반환합니다. 그 수치 값과 방향은 구성된 거리 전략에 따라 달라지므로, 보편적인 신뢰도 백분율이 아닙니다. 동일한 임베딩 모델과 거리 전략을 사용할 때만 점수를 비교하고, 임계값을 정하기 전에 검색된 구절을 점검하세요.
MMR은 먼저 후보 풀(fetchK)을 고려한 다음, 쿼리 관련성과 다양성의 균형을 맞춰 k개의 문서를 선택합니다. lambda가 낮을수록 다양성을, 높을수록 관련성을 더 강조합니다. 위처럼 겹치는 코퍼스에서는 선택된 소스가 일반 유사도 검색과 달라질 수 있어 검색 트레이드오프를 눈으로 확인할 수 있습니다.
여기가 LangChain.js 검색과 대규모 언어 모델(LLM) 호출 사이의 인계 지점입니다. 애플리케이션은 질문과 검증 가능한 증거를 확보했으며, 모델이 그 문맥에서 답하도록 요청하는 프롬프트에 사용할 준비가 되었습니다.
검색과 생성은 별개의 책임입니다. 이 시점에서 context는 채팅 모델이 소비할 수 있는 일반 텍스트 문자열입니다. 이제 모델에 검색된 자료에서만 답하고 출처 식별자를 인용하라는 지시와 함께 전달할 수 있습니다. 데이터베이스 통합 자체는 채팅 모델이 없어도 동작합니다.
통합 검증 방법
유용한 검증은 적재와 각 검색 전략을 개별적으로 확인합니다. 먼저 벡터 스토어가 데이터베이스 오류 없이 생성되었는지 확인하세요. 그다음 유사도 검색으로 반환된 소스 메타데이터, 필터 결과, MMR 결과를 점검합니다.
const check =await vectorStore.similaritySearch("How does OracleVS connect to LangChain.js?",3);if(check.length ===0){thrownewError("No documents retrieved; inspect ingestion and filters.");}console.log({
similarity: check.map((doc)=> doc.metadata.source),
filtered: databaseOnly.map((doc)=> doc.metadata.source),
mmr: diverse.map((doc)=> doc.metadata.source),});제공
이 애플리케이션은 TypeScript로 제작되었으며, 문서 적재, 벡터 저장, 유사도 검색, 메타데이터 필터링, MMR을 LangChain.js와 Oracle AI Database를 사용해 하나로 묶습니다. 또한 검색 설정을 실험하고, 검색된 문서를 점검하며, 서로 다른 검색 전략이 애플리케이션에 반환되는 문맥에 어떤 영향을 미치는지 이해할 수 있는 대화형 인터페이스를 제공합니다.
저장소에는 소스 코드와 설정 지침이 포함되어 있어, 전체 통합을 탐색하고 구현을 프로젝트에 맞게 조정할 수 있습니다.
결론 및 다음 단계
OracleVS를 통해 LangChain.js를 Oracle AI Database에 연결하고, 지식을 Document 객체로 표현하며, 지속형 벡터 임베딩을 생성하고, 유사도 검색, 메타데이터 필터링, MMR을 비교했습니다. 다음 단계로 공식 LangChain.js 문서와 공식 Oracle LangChain JavaScript 통합 가이드를 읽어보세요.
Oracle 벡터 테이블에 저장된 임베딩은 검색에 사용하는 임베딩과 호환되어야 합니다. 모델을 바꾸면 벡터 차원과 좌표의 의미가 모두 달라질 수 있으므로, 임베딩 모델을 변경할 때는 문서를 재임베딩하고 인덱스를 재구성하세요. 문서 적재와 쿼리 검색에는 동일한 임베딩 구성을 사용하세요.
OracleVS를 사용하려면 채팅 모델이 꼭 필요하나요?⌄
아니요. 벡터 스토어 워크플로에는 적재와 쿼리를 위한 임베딩 모델이 필요합니다. 채팅 모델은 선택 사항이며, 보통 검색된 구절을 자연어 응답으로 변환해야 할 때 추가합니다.
OpenAI가 아닌 임베딩 제공자를 사용할 수 있나요?⌄
예. OracleVS는 호환되는 LangChain 임베딩 구현을 지원합니다. 요구 사항을 충족하는 제공자를 선택하고, 문서와 쿼리에 동일하고 호환되는 임베딩 설정을 사용하세요.
왜 벡터 유사도와 함께 메타데이터 필터링을 사용하나요?⌄
벡터 유사도는 의미적으로 가까운 콘텐츠를 찾고, 메타데이터 필터링은 반환 가능한 콘텐츠를 좁힙니다. 예를 들어 특정 범주나 출처의 문서만 대상으로 삼을 수 있습니다.
일반 유사도 검색 대신 언제 MMR을 선택해야 하나요?⌄
최상위 일치 항목에 반복적인 구절이 많고, 애플리케이션이 보다 다양한 근거를 원할 때 MMR이 도움이 됩니다. 가장 가까운 이웃이 주 목적이라면 단순 유사도 검색이 더 간단합니다.
Author
Daniela Pavlenco
저는 Oracle의 개발자 옹호자(Developer Advocate)로서, 개발자들이 AI 기술을 탐구하고 현대적인 도구와 프레임워크로 실용적인 애플리케이션을 구축할 수 있도록 지원하고 있습니다. 복잡한 개념을 실제 프로젝트에 쉽게 이해하고 적용할 수 있도록 기술 콘텐츠, 실습 예제, 개발자 자료를 제작하는 일을 하고 있습니다.
언어 모델은 일반적인 질문에는 답할 수 있지만, 애플리케이션이 먼저 관련 정보를 검색하지 않으면 사설 지식 베이스를 신뢰할 수 있게 조회하기 어렵습니다. JavaScript 개발자를 위해 LangChain.js는 문서, 임베딩, 검색(리트리벌)에 대한 익숙한 추상화를 제공합니다. 여기에 필요한 마지막 퍼즐은 생성된 벡터를 저장하고 검색할 수 있는 지속형 저장소입니다.
Oracle AI Database는
@oracle/langchain-oracledb통합을 통해 그 역할을 수행합니다. 이 가이드에서는 작은 TypeScript 워크플로를 Oracle에 연결하고, 메타데이터와 함께 텍스트를 저장하고, 유사도 검색을 실행하며, 필터와 최대 한계 관련성(MMR)으로 검색 품질을 개선합니다. 튜토리얼은 검색 워크플로에 초점을 맞추며, 동반 TypeScript 애플리케이션은 동일한 통합을 대화형 브라우저 UI에 추가합니다.통합 세부 정보는 공식 Oracle LangChain JavaScript 통합 가이드를 참조하세요.
LangChain.js와 Oracle AI Database 통합이란?
LangChain.js는 애플리케이션이 임베딩 모델과 벡터 스토어를 다루는 방식을 표준화합니다. Oracle 통합 패키지는
OracleVS를 제공하며, 이는 문서 텍스트, 메타데이터, 벡터 임베딩을 Oracle AI Database에 영속적으로 저장하는 벡터 스토어 구현입니다. 애플리케이션은 각 유사도 쿼리마다 SQL을 수동 작성하는 대신 LangChain.js 메서드를 호출합니다.같은 통합 패키지에는
OracleDocLoader,OracleTextSplitter,OracleEmbeddings,OracleSummary도 포함됩니다. 이들은 유용한 선택적 빌딩 블록이며, 아래 예제는OracleVS에 집중하고 임베딩 생성을 분리해 흐름을 이해하기 쉽게 유지합니다.LangChain.js, OracleVS, Oracle AI Database를 사용한 문서 적재와 검색
통합의 주요 기능
문서 메타데이터와 함께 임베딩 저장
임베딩 모델은 텍스트를 수치 벡터로 변환합니다.
OracleVS는 이 벡터를 원문 텍스트 및 구조화된 메타데이터와 함께 저장합니다. 문서 범주나 출처 같은 메타데이터는 유용한 문맥을 버리지 않으면서 애플리케이션이 검색 범위를 제한하는 데 도움을 줍니다.벡터 유사도로 관련 구절 검색
쿼리 시점에는 동일한 임베딩 모델이 질문을 벡터로 변환합니다. Oracle은 코사인 거리 같은 구성된 거리 전략으로 저장된 벡터와 비교해 가장 가까운 문서를 반환합니다. 결과는 여전히 다운스트림 처리를 위해 준비된 LangChain
Document객체로 제공합니다.필터링과 MMR로 결과 제어
유사도 검색은 “이 질문과 가장 가까운 항목은 무엇인가?”에 답합니다. 메타데이터 필터는 적격 문서를 좁혀 줍니다. MMR은 다른 목표를 추가합니다. 선택된 구절의 관련성을 유지하면서 거의 중복인 결과를 줄이는 것입니다. 이 연산들은 상호 대체가 아닌 상호 보완적입니다.
LangChain.js와 Oracle AI Database 시작하기
사전 준비
이 TypeScript 예제를 위해 Node.js 24.13.0, npm 11.6.2, 벡터를 지원하는 로컬 Oracle AI Database 26ai Free 인스턴스, 그리고 데모 테이블 및 그 벡터 인덱스를 생성/삽입/조회/드롭할 수 있는 스키마가 필요합니다. 또한 임베딩 예제를 위한 OpenAI API 키가 필요합니다.
OpenAIEmbeddings는 LangChain 호환 선택지일 뿐OracleVS의 요구 사항은 아닙니다.Node.js는 공식 Node.js 다운로드 페이지에서 설치하세요.
로컬 기본 경로는 Oracle의 Oracle AI Database Free 빠른 시작을 따르세요. 데이터베이스가 실행되면
localhost:1521/FREEPDB1같은 서비스와 위 권한을 가진 스키마를 사용합니다.TypeScript 프로젝트 생성
이 폴더에
index.ts라는 파일을 만드세요. 아래 실행 가능한 TypeScript 스니펫을 같은 파일에 표시된 순서대로 추가합니다. 각 스니펫을 별도 파일로 만들지 마세요. 실행 가능한 TypeScript 스니펫만 복사하세요. SQL과 대표 출력 블록은 설명용 예시이므로index.ts에 붙여넣지 않습니다.package.json의type=module설정은 예제에서 사용하는 최상위await를 허용합니다. Node.js 패키지 구성은 공식 Node.js 패키지 가이드에 문서화되어 있습니다.Oracle 통합 패키지는 벡터 스토어를,
@langchain/core는Document를,@langchain/openai는 예제 임베딩 모델을,oracledb는 데이터베이스 연결을 제공합니다. 위 버전은 동반 애플리케이션과 일치하며,tsx는 별도 빌드 단계 없이 TypeScript 예제를 바로 실행합니다.연결 구성
이 값을 로컬
.env파일에 저장하고.env를.gitignore에 추가하세요. 이 글은 재현 가능한 단계를 위해 로컬 Oracle AI Database Free를 기본 설정으로 사용합니다. Autonomous AI Database도 유효한 배포 대안이지만, 해당 환경의 서비스 설명자와 지갑 또는 TLS 구성이 필요합니다.풀은
OracleVS가 데이터베이스 세션을 재사용할 수 있게 합니다. 모든 적재, 검색, 검증 문은try블록 안에 유지하세요. 다음 코드 블록이 그 블록을 시작하며 이후 스니펫이 이를 이어갑니다. 풀은 아래 정리 섹션의 검증 이후에만 닫습니다. 서버 애플리케이션에서는 풀을 한 번 초기화하고 우아한 종료 시 닫으며, 사용자 요청마다 새 연결을 열지 않습니다.LangChain.js로 문서 검색 만들기
겹치는 검색 구절을 포함해 10개의 짧은 지식 베이스 노트를 사용합니다. 코퍼스는 의도적으로 작지만, 일반 유사도 검색과 메타데이터 필터링, MMR을 비교하기에 적합합니다.
지식 문서를 정의
각
Document는pageContent와metadata를 갖습니다.source와category필드는 적재와 검색 전 과정을 따라 문서와 함께 이동하므로, 애플리케이션이 결과의 출처를 설명하고 관련 하위 집합으로 검색을 제한할 수 있습니다.임베딩 구성 및 OracleVS 생성
OracleVS.fromDocuments()는 핵심 통합 호출입니다. 이는 벡터 스토어를 초기화하고, 제공된 문서에 대한 임베딩을 생성하며, 그 내용과 벡터, 메타데이터를 Oracle AI Database에 저장합니다.query매개변수는 초기화 중 데이터베이스 테이블에 필요한 벡터 차원을 결정하기 위해 임베딩되는 샘플 텍스트를 제공합니다. 저장된 문서를 검색하는 데 사용되지는 않습니다.DistanceStrategy.COSINE은 벡터 거리 지표를 지정하고,VectorElementFormat.FLOAT32는 벡터 요소 포맷을 설정합니다.적재를 다시 실행하기 전에는 새 데모 테이블 이름을 사용하거나 기존 데이터를 비워 중복 문서 삽입을 피하세요.
OracleVS는 LangChain 호환 임베딩 구현을 받으므로, 개발자는 전체 벡터 스토어 워크플로를 변경하지 않고도 임베딩 제공자를 교체할 수 있습니다. 단, 적재와 검색에 사용하는 임베딩은 Oracle 벡터 컬럼과 호환되어야 합니다.OracleVS는 구성된 임베딩 모델을 사용해 초기화 중 벡터 차원을 결정합니다. Oracle AI Database에 이미 저장된 벡터의 차원과 저장 형식을 확인하려면 다음 SQL을 실행하세요:차원이 다른 임베딩 모델로 전환하는 경우, 호환되는 벡터 테이블을 생성하고 문서 임베딩을 재생성하세요. 두 모델이 같은 차원의 벡터를 만들어도 임베딩 공간이 다를 수 있으므로, 새 모델로 검색하기 전에 기존 문서는 재임베딩하는 것이 좋습니다.
벡터 스토어 메서드 시그니처와 검색 옵션은 공식 LangChain.js VectorStore 레퍼런스를 참조하세요.
유사도 검색으로 문서 검색
예를 들어 다음 호출은
OracleVS벡터 스토어에 가장 가까운 문서 3개를 요청하고, 각 청크의 텍스트와 함께 소스 메타데이터를 출력합니다:코드는 각 LangChain
Document를 표시용으로source와pageContent를 담은 일반 객체로 매핑합니다. 대표 출력은 아래와 같으며, 임베딩 모델과 쿼리에 따라 정확한 순서는 달라질 수 있습니다:첫 번째 인수는 사용자 질문이며, 두 번째는 검색할 최대 문서 수인
k입니다. LangChain.js는 구성된 임베딩 모델을 사용해 질문을 벡터로 변환하고, Oracle AI Database가 유사도 검색을 수행해 가장 근접한 문서를 찾습니다.검색 조건과 메타데이터 필터를 적용한 후
k보다 적은 문서만 가능하다면, 메서드는 사용 가능한 결과만 반환합니다. 검색된Document객체에는 텍스트와 메타데이터가 포함되어 있어 출처 표시와 함께 보여주거나 이후 답변 생성 단계에 전달할 수 있습니다.검색 점수 확인
예를 들어 각 검색된 문서에 연관된 거리를 확인하려면
similaritySearchWithScore를 사용합니다:similaritySearchWithScore는 각 일치 항목에 거리를 반환합니다. 그 수치 값과 방향은 구성된 거리 전략에 따라 달라지므로, 보편적인 신뢰도 백분율이 아닙니다. 동일한 임베딩 모델과 거리 전략을 사용할 때만 점수를 비교하고, 임계값을 정하기 전에 검색된 구절을 점검하세요.메타데이터 필터로 결과 제한
예시 출력:
세 번째 인수는
category = database인 항목으로 검색을 제한합니다. 이 코퍼스에서 예측 가능한 필터 결과는["database-guide"]입니다. 필터는 적격 문서를 변경하며, 벡터 유사도는 여전히 적격 문서 안에서 순위를 매깁니다.MMR로 반복적인 결과 줄이기
겹치는 코퍼스에서의 대표 출력(임베딩 모델과 실행마다 순서는 달라질 수 있음):
MMR은 먼저 후보 풀(
fetchK)을 고려한 다음, 쿼리 관련성과 다양성의 균형을 맞춰k개의 문서를 선택합니다.lambda가 낮을수록 다양성을, 높을수록 관련성을 더 강조합니다. 위처럼 겹치는 코퍼스에서는 선택된 소스가 일반 유사도 검색과 달라질 수 있어 검색 트레이드오프를 눈으로 확인할 수 있습니다.검색된 문맥을 AI 애플리케이션에 전달
여기가 LangChain.js 검색과 대규모 언어 모델(LLM) 호출 사이의 인계 지점입니다. 애플리케이션은 질문과 검증 가능한 증거를 확보했으며, 모델이 그 문맥에서 답하도록 요청하는 프롬프트에 사용할 준비가 되었습니다.
검색과 생성은 별개의 책임입니다. 이 시점에서
context는 채팅 모델이 소비할 수 있는 일반 텍스트 문자열입니다. 이제 모델에 검색된 자료에서만 답하고 출처 식별자를 인용하라는 지시와 함께 전달할 수 있습니다. 데이터베이스 통합 자체는 채팅 모델이 없어도 동작합니다.통합 검증 방법
유용한 검증은 적재와 각 검색 전략을 개별적으로 확인합니다. 먼저 벡터 스토어가 데이터베이스 오류 없이 생성되었는지 확인하세요. 그다음 유사도 검색으로 반환된 소스 메타데이터, 필터 결과, MMR 결과를 점검합니다.
검증 후 연결 풀 닫기
정리는 적재, 검색, 검증이 끝난 뒤에만 실행됩니다. 드레인 시간은 사용 중인 연결이 완료할 짧은 여유를 제공합니다. 장기 실행 서버에서는 우아한 종료까지 풀을 열어 두세요. 수명 주기 세부 정보는 node-oracledb
pool.close()문서를 참조하세요.이제 전체
index.ts파일은 다음으로 실행할 수 있습니다:대표적인 검증 출력:
정확한 유사도 순서와 거리 값은 임베딩 모델과 제공자에 따라 달라질 수 있습니다. 필터 결과에는
database-guide가 포함되어야 하며, MMR 결과는 겹치는 코퍼스에서 다양한 검색 소스를 보여야 합니다.팁과 문제 해결
데이터베이스 연결 실패
연결 문자열, 자격 증명, 접근 가능한 서비스, 스키마 권한을 확인하세요. Autonomous AI Database를 사용하는 경우 필요한 지갑 또는 TLS 설정을 점검하세요. 검색 디버깅 전에 데이터베이스 연결을 별도로 테스트하세요.
임베딩 차원 불일치 발생
적재 시 생성된 벡터와 쿼리 벡터는 호환되는 차원을 사용해야 합니다. 삽입과 쿼리에 서로 다른 임베딩 모델을 사용하면 검색이 실패하거나 결과가 저하될 수 있습니다. 테이블 단위로 모델 선택을 일관되게 유지하세요.
검색 결과가 없음
적재가 행을 삽입했는지 확인한 후, 제한적인 메타데이터 필터 없이 다시 시도하세요. 작은 코퍼스에서는 더 넓은 쿼리로 실험하고 저장된 콘텐츠를 점검하세요.
결과가 관련 있지만 반복적임
겹치는 청크가 있는 코퍼스로 MMR과 유사도 검색을 비교하세요.
k,fetchK,lambda를 조정해 다양성이 중요한 구절을 놓치는 대가가 되는지 확인하세요.벡터 인덱스를 생성해야 할까요?
작은 샘플 데이터셋에서는 인덱싱 튜닝 없이 정확성을 먼저 검증하세요. 데이터가 증가하면 성능과 정확도 요구에 따라 Oracle의 벡터 인덱스(HNSW, IVF 등)를 평가하세요. 인덱스 생성은 최적화 단계이지, 기본 통합을 이해하는 데 꼭 필요한 전제 조건은 아닙니다.
Oracle 벡터 인덱스에 대한 자세한 내용은 Oracle의 벡터 인덱스 문서를 참조하세요.
완전한 TypeScript 레퍼런스 구현 살펴보기
이 개념들이 작동하는 애플리케이션에서 어떻게 결합되는지 보려면, LangChain.js와 Oracle AI Database 레퍼런스 구현을 살펴보세요.
이 애플리케이션은 TypeScript로 제작되었으며, 문서 적재, 벡터 저장, 유사도 검색, 메타데이터 필터링, MMR을 LangChain.js와 Oracle AI Database를 사용해 하나로 묶습니다. 또한 검색 설정을 실험하고, 검색된 문서를 점검하며, 서로 다른 검색 전략이 애플리케이션에 반환되는 문맥에 어떤 영향을 미치는지 이해할 수 있는 대화형 인터페이스를 제공합니다.
저장소에는 소스 코드와 설정 지침이 포함되어 있어, 전체 통합을 탐색하고 구현을 프로젝트에 맞게 조정할 수 있습니다.
결론 및 다음 단계
OracleVS를 통해 LangChain.js를 Oracle AI Database에 연결하고, 지식을Document객체로 표현하며, 지속형 벡터 임베딩을 생성하고, 유사도 검색, 메타데이터 필터링, MMR을 비교했습니다. 다음 단계로 공식 LangChain.js 문서와 공식 Oracle LangChain JavaScript 통합 가이드를 읽어보세요.다른 언어로 작업한다면, Oracle AI Vector Search 튜토리얼은 Python으로 동일한 저장 및 쿼리 단계를 다루며, LangChain4j 튜토리얼은 Oracle AI Database로 Java 에이전트를 구축합니다.
Retrieval Augmented Generation (RAG) with LangChain 과정은 선택적인 검색 집중 후속 강좌입니다. 예제는 Python이지만 워크플로 개념은 이 TypeScript 구현에도 그대로 적용됩니다.