Vector Store Simulator 로딩 중...
이 도구가 못 하는 것
- 임베딩이 실제 모델이 아닙니다. TF-IDF 에 무작위 사영을 건 근사이고, 화면에서 고르는 모델 이름(OpenAI·BAAI)은 씨앗과 차원과 잡음의 세기만 바꿉니다. 어느 이름을 골라도 모델을 부르지 않습니다.
- 검색 순위는 그 근사 위에서 나옵니다. 실제 임베딩 모델의 순위와 다를 수 있습니다.
- 벡터 DB 다섯 종의 비교표는 공개된 특징을 정리한 것이고 이 화면에서 재는 값이 아닙니다.
- 한 문서 안 서른 남짓한 청크로 돕니다. 수백만 벡터에서 생기는 문제(샤딩·디스크·재색인)는 다루지 않습니다.
- 점수는 서버에 남지 않습니다.
이 시뮬레이터가 무엇을 하는가기능 · 개념 · 연계 주차
벡터 스토어에 데이터를 저장하고 유사도 검색을 탐색하세요.
01
벡터 인덱싱
고차원 임베딩 벡터를 효율적으로 저장하고 인덱싱하는 방법을 학습합니다.
02
HNSW 알고리즘
계층적 탐색 가능 소세계(HNSW) 그래프의 구조와 멀티레이어 검색 과정을 시각화합니다.
03
검색 전략 비교
정확 검색과 근사 검색을 비교하고 Recall·Precision·MRR 지표로 성능을 분석합니다.
04
벡터 DB 비교
Pinecone·Chroma·Qdrant·Weaviate·Milvus 5종의 특징을 나란히 비교합니다.
벡터 저장소(Vector Store)란?
벡터 저장소는 고차원 임베딩 벡터를 위한 특수화된 저장소로, 인덱싱 알고리즘을 통해 빠른 유사도 검색을 지원합니다. RAG 파이프라인에서 문서 청크를 벡터로 변환한 뒤 검색 가능한 형태로 보관하는 핵심 인프라입니다.
- HNSW: 다층 그래프 구조로 로그 시간 복잡도의 근사 최근접 이웃 검색을 지원
- IVF: 벡터를 클러스터로 파티셔닝해 대규모 데이터셋에서 검색 범위를 좁힘
- PQ(Product Quantization): 벡터를 압축해 메모리 사용량을 크게 줄이되 정확도를 소폭 희생
써 보신 분만 아는 것이 있습니다
쓰다가 막힌 곳이나 현장과 다른 점을 알려주시면 다음 버전에 반영합니다. 보내주신 분께는 9월 추첨으로 스타벅스 쿠폰을 드립니다.