Blog

Engineering & Product Updates

Deep-dives on embedding infrastructure, vector migration, and building reliable AI retrieval systems.

Engineering · · 5 min read KO

왜 요즘 RAG에는 BM25와 그래프가 없어도 벡터는 있어야 하는가

BM25는 단어를 찾고, 그래프는 관계를 따라간다. 하지만 자연어 질문과 문서 표현 사이의 간극을 먼저 메우는 것은 벡터 검색이다.

rag vector-search bm25 graphrag retrieval
Product · · 7 min read KO

AI에 넣기 전에 개인정보부터 가려야 합니다

상담 기록, 고객 메모, 내부 문서를 AI에 넣기 전에 이름, 주소, 전화번호, 이메일, 식별번호를 먼저 마스킹해야 하는 이유와 Schift PII Beta의 방향을 정리했습니다.

pii privacy korean ai-workflow
RAG Lab · · 7 min read KO

PageIndex와 Schift를 같은 문서로 돌려보며 배운 것

PageIndex OSS와 Schift full path를 같은 질의, 같은 top_k 기준으로 비교했다. 품질, 검색 시간, 추정 비용을 함께 보니 문서 구조 검색을 어디에 넣어야 하는지 분명해졌다.

rag-lab retrieval benchmark pageindex cost
Engineering · · 10 min read KO

한국어 Legal RAG에서 PII를 먼저 지우는 이유

공개 Korean PII 모델 두 개와 Schift STRONG v2를 같은 gate에서 비교했다. KDPII도 mapped subset으로 돌려보고, 우리가 이긴 범위와 아직 주장하지 않을 범위를 분리한다.

pii korean legal rag benchmark
Engineering · · 7 min read KO

기능이 늘어난 엔진을 더 빠르게 만들기

현재 production engine image와 새 engine build를 같은 amd64 Docker/RPC 조건에서 비교했다. Graph, hybrid keyword, content lookup까지 포함한 실제 RAG workload에서 어떤 변화가 있었는지 기록한다.

rust vector-search benchmark engine
RAG Lab · · 14 min read KO

온톨로지가 당신 회사에 필요 없을 가능성이 큰 이유

AI 시대의 의미 인프라라는 말이 자주 빠뜨리는 것들입니다. 온톨로지를 깎아내리려는 글이 아니라, 헷갈리지 않고 결재 전에 확인해야 할 기준을 정리한 글이에요.

ontology graphrag rag vectordb knowledge-graph
RAG Lab · · 5 min read KO

왜 RAG에는 decision layer가 필요할까?

검색은 됐는데 답은 흔들리는 순간이 있습니다. 최근 retrieval 뒤에 rerank와 corrective retrieval을 붙이는 방향을 검토하면서, 결국 필요한 것은 더 큰 모델보다 decision layer라는 쪽으로 생각이 정리됐습니다.

rag-lab rag retrieval rerank decision-layer
Engineering · · 6 min read KO

RAGBench covidqa: top_k는 7이 sweet spot이었다

Schift retrieval stack으로 RAGBench covidqa를 end-to-end로 돌려 보니, 현재 설정에서는 rerank보다 no-rerank가 낫고 top_k=7이 가장 균형이 좋았다.

rag benchmark retrieval ragbench top-k
Guide · · 12 min read KO

Schift가 뭔데?

자료를 넣으면 dirty work를 다 해서 깔끔한 graph-vector DB로 만들어주는 프로덕트입니다.

schift ai-agents rag typescript getting-started
Engineering · · 7 min read KO

LongMemEval 벤치마크: 자체 스택으로 96% R@5

대화 기억 검색 벤치마크 LongMemEval에서 Schift Engine + schift-embed-1으로 96% Recall@5를 달성했습니다. 7가지 retrieval 전략 실험 기록.

benchmark retrieval memory vector-search embedding
Engineering · · 7 min read EN

LongMemEval: 96% R@5 with our own stack

We ran the LongMemEval conversation memory benchmark on Schift Engine with our own embedding model. No ChromaDB, no external dependencies. Here's what worked and what didn't.

benchmark retrieval memory vector-search embedding
Engineering · · 8 min read EN

RAG Is Not Vector Search

Vector search is step 3 of 8. Here's the full checklist for production RAG -- and what breaks when you skip steps.

rag vector-search retrieval evaluation reranking production
Engineering · · 8 min read KO

우리 엔진이 Qdrant보다 8.7배 빠른 이유

Schift 벡터 엔진의 실측 벤치마크를 공개한다. 이기는 곳, 지는 곳 모두 투명하게. Apple M5 Pro, 1M vectors, 1024d 기준으로 Qdrant, FAISS, pgvector와 비교했다.

rust vector-search benchmark qdrant faiss performance
Engineering · · 8 min read JP

自作ベクトルエンジンをQdrant・FAISSと比較してみた（1M vectors, 1024d）

Rustで書いたベクトル検索エンジンSchiftのベンチマークを取ってみました。Qdrantに8.7倍勝ち、FAISS Flatには負けます。勝つところも負けるところも全部出します。

rust vector-search benchmark qdrant faiss performance
Engineering · · 7 min read JP

pgvectorの限界を1M vectorsで実測してみた話

pgvectorは小規模ベクトル検索に便利だが、どこから専用エンジンが必要になるのか。Rust製エンジン・FAISS・Qdrantと比較しながら、境界線を数字で示します。

pgvector postgres vector-search benchmark rust
Dev Log · · 6 min read JP

TypeScriptでAI Agentフレームワークを作っている理由

AI agentツールはPythonばかり。でもproductionアプリはTypeScript。このギャップがつらいので、自分たちで作ることにした話。

typescript ai-agents framework managed-rag developer-experience
Engineering · · 7 min read EN

pgvector Is Not a Vector Database (And That's Fine)

pgvector is a solid choice for adding vector search to Postgres at low scale. But when does it stop being enough? We ran the numbers.

pgvector postgres vector-search benchmark rust
Dev Log · · 6 min read EN

Why We're Building an AI Agent Framework in TypeScript

The AI agent tooling ecosystem is dominated by Python. But production applications are TypeScript. We think that mismatch has a real cost, and we built something to close it.

typescript ai-agents framework managed-rag developer-experience
Engineering · · 5 min read EN

Making SQ8 the Default for New Collections

Why the engine moved to SQ8 as the default storage format — what we measured, what failed, and what we are not doing yet.

rust vector-search quantization benchmark
Engineering · · 8 min read KO

FAISS에서 SQ8까지

벡터 검색 엔진의 기본 저장 포맷을 찾기까지. FAISS를 기준선으로 두고 F32, SQ8, SQ4, SQ1, TQ4를 비교한 개발 기록.

rust vector-search quantization benchmark faiss
Engineering · · 12 min read KO

HyperbolicRAG를 바로 도입하지 않고, hierarchy-aware retrieval부터 검증하기

HyperbolicRAG의 문제의식은 유효하지만, 먼저 검증할 것은 구조 신호 기반 rerank. dense baseline에서 relation-aware rerank까지의 실험 기록.

retrieval rag hierarchy reranking research
Engineering · · 7 min read KO

법률 데이터를 Vector DB로 만들면 얼마나 작아지고 얼마나 빨라질까

한국 법률 코퍼스 기반 벡터 DB 벤치마크. SQ8 압축, 계층 탐색, 본문 조회까지 포함한 전체 파이프라인 성능 기록.

rust vector-search legal benchmark quantization
AI바우처 · · 5 min read KO

2026 AI바우처 수요기업 신청 가이드

AI 도입 비용의 최대 80%를 정부가 지원합니다. 신청 자격, 절차, 일정, 비용 구조를 정리했습니다.

ai-voucher government funding
Engineering · · 6 min read EN

The Embedding Failover Pattern: Zero Downtime Across Providers

When your embedding provider goes down, your search breaks. Learn the failover pattern that keeps retrieval alive across provider outages using projection matrices.

embedding failover reliability
Case Study · · 7 min read EN

Case Study: Cutting Embedding Costs to $0 with Gemini

How a startup paying $1,500/month in OpenAI embedding costs migrated to Gemini Embedding in one afternoon — without re-embedding a single document.

case-study gemini migration cost-optimization
Product · · 5 min read EN

Why Vector Migration Matters More Than You Think

Embedding model upgrades silently break production retrieval. Here is why vendor lock-in is a hidden technical debt — and what you can do about it today.

migration vendor-lock-in embeddings