[G1-Sync] Manual knowledge update
This commit is contained in:
Antigravity Agent
@@ -2,89 +2,231 @@
|
||||
id: wiki-2026-0508-nosql-databases-in-ai
|
||||
title: NoSQL Databases in AI
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [SYS-NOSQL-001]
|
||||
aliases: [NoSQL for AI, Vector DB, Document Store AI]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 1.0
|
||||
tags: [infrastructure, database, nosql, mongodb, cassandra, Big-Data, ai]
|
||||
confidence_score: 0.9
|
||||
verification_status: applied
|
||||
tags: [nosql, ai, vector-db, mongodb, redis, rag]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-04-26
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
tech_stack:
|
||||
language: unspecified
|
||||
framework: unspecified
|
||||
language: python
|
||||
framework: mongodb-redis-pinecone
|
||||
---
|
||||
|
||||
# NoSQL Databases in AI (AI에서의 NoSQL 데이터베이스)
|
||||
# NoSQL Databases in AI
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "정형화된 표의 형식을 깨고 데이터의 자유로운 흐름을 수용하여, AI가 필요로 하는 방대한 비정형 지식을 가공 없이 저장하라" — 관계형 데이터베이스(RDBMS)의 엄격한 스키마 제약에서 벗어나, 유연한 구조로 대규모 데이터를 고속으로 처리하고 확장하는 데이터 저장 기술.
|
||||
## 매 한 줄
|
||||
> **"매 AI workload = embedding + metadata + cache; 매 NoSQL 의 each layer 의 fit"**. 2026 RAG / agent stack 의 매 standard: vector DB (Pinecone/Qdrant/pgvector) + document store (MongoDB) + KV cache (Redis). 매 schema flexibility + horizontal scale 의 LLM-era natural fit.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** "[[Schema|Schema]]-less [[Scalability|Scalability]] and Document-oriented [[Storage|Storage]]" — 데이터의 형태가 고정되지 않은 웹 로그, SNS 텍스트, 센서 데이터 등을 JSON과 유사한 문서 형태로 저장하거나 키-값 쌍으로 관리함으로써, 데이터 모델의 변경에 유연하게 대응하고 수평적 확장(Scaling out)을 용이하게 하는 패턴.
|
||||
- **주요 유형:**
|
||||
- **Document-oriented (MongoDB):** JSON 형태의 유연한 데이터 저장. 에이전트의 대화 로그나 설정 관리에 적합.
|
||||
- **Key-Value (Redis):** 초고속 인메모리 저장소. 실시간 피드백 및 캐싱에 활용.
|
||||
- **Column-family (Cassandra, HBase):** 대규모 분산 데이터 처리. 로그 분석 및 시계열 데이터에 최적.
|
||||
- **Graph Database (Neo4j):** 개체 간의 복잡한 연결 관계(Knowledge Graph) 표현.
|
||||
- **의의:** 정형 데이터보다 비정형 데이터의 비중이 압도적인 현대 AI 학습 환경에서, 데이터 파이프라인의 유연성과 병목 현상 해소를 보장하는 인프라적 토대.
|
||||
## 매 핵심
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- **과거 데이터와의 충돌:** NoSQL은 데이터 정밀도나 트랜잭션 안전성(ACID)이 떨어진다는 우려가 있었으나, 최근에는 NewSQL의 등장과 각 DB 엔진의 기능 개선으로 고도의 일관성과 확장성을 동시에 확보하는 방향으로 진화함.
|
||||
- **정책 변화:** Antigravity 프로젝트는 에이전트가 수집하는 원시 지식(Raw Data)의 임시 저장 및 사고 로그 기록 시 MongoDB와 Redis 기반의 NoSQL 아키텍처를 우선적으로 적용함.
|
||||
### 매 NoSQL family + AI role
|
||||
- **Vector**: embedding similarity (RAG, recommendation). Pinecone, Qdrant, Weaviate, Milvus.
|
||||
- **Document**: chat history, agent state, structured output. MongoDB, CouchDB.
|
||||
- **KV / Cache**: prompt cache, semantic cache, session. Redis, DragonflyDB.
|
||||
- **Graph**: knowledge graph, entity link. Neo4j, ArangoDB.
|
||||
- **Wide-column**: time-series telemetry, traces. Cassandra, ScyllaDB.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Indexing-Strategies|Indexing-Strategies]], [[Knowledge-Graph-Foundations|Knowledge-Graph-Foundations]], [[High-Availability-Systems|High-Availability-Systems]],[[_system|system]]-Design-for-AI-Scale
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/NoSQL-Databases-in-AI.md
|
||||
### 매 access pattern
|
||||
- **Embed + ANN search**: HNSW / IVF index, top-k cosine.
|
||||
- **Metadata filter + vector**: hybrid search.
|
||||
- **TTL cache**: prompt → response 의 24h cache.
|
||||
- **Append-only chat log**: doc store + per-user shard.
|
||||
|
||||
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
|
||||
### 매 응용
|
||||
1. RAG: vector + document hybrid.
|
||||
2. Agent memory: document (short) + vector (long-term).
|
||||
3. Personalization: KV (recent) + graph (relations).
|
||||
|
||||
**언제 이 지식을 쓰는가:**
|
||||
- *(TODO)*
|
||||
## 💻 패턴
|
||||
|
||||
**언제 쓰면 안 되는가:**
|
||||
- *(TODO)*
|
||||
### Pinecone (managed vector)
|
||||
```python
|
||||
from pinecone import Pinecone, ServerlessSpec
|
||||
|
||||
## 🧪 검증 상태 (Validation)
|
||||
pc = Pinecone(api_key=os.environ["PINECONE_API_KEY"])
|
||||
pc.create_index(
|
||||
name="docs",
|
||||
dimension=1536,
|
||||
metric="cosine",
|
||||
spec=ServerlessSpec(cloud="aws", region="us-east-1"),
|
||||
)
|
||||
idx = pc.Index("docs")
|
||||
|
||||
- **정보 상태:** needs_review
|
||||
- **출처 신뢰도:** A
|
||||
- **검토 이유:** *(P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)*
|
||||
idx.upsert(vectors=[
|
||||
{"id": "doc1", "values": embed("Hello world"),
|
||||
"metadata": {"source": "intro.md", "section": "overview"}},
|
||||
])
|
||||
|
||||
## 🧬 중복 검사 (Duplicate Check)
|
||||
|
||||
- **기존 유사 문서:** *(TODO: 인덱서 클러스터 리포트 참조)*
|
||||
- **처리 방식:** UPDATE (자동 정규화)
|
||||
- **처리 이유:** Phase 1 정규화 — 옛 템플릿/누락 필드 보강.
|
||||
|
||||
## 🕓 변경 이력 (Changelog)
|
||||
|
||||
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|
||||
|------|-----------|-----------|--------|
|
||||
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |
|
||||
|
||||
## 💻 코드 패턴 (Code Patterns)
|
||||
|
||||
**패턴 1:** *(TODO: 이 프로젝트 컨벤션 반영한 구조 스켈레톤)*
|
||||
|
||||
```text
|
||||
# TODO
|
||||
res = idx.query(
|
||||
vector=embed("greeting example"),
|
||||
top_k=5,
|
||||
filter={"source": {"$eq": "intro.md"}},
|
||||
include_metadata=True,
|
||||
)
|
||||
```
|
||||
|
||||
## 🤔 의사결정 기준 (Decision Criteria)
|
||||
### Qdrant (self-host)
|
||||
```python
|
||||
from qdrant_client import QdrantClient
|
||||
from qdrant_client.models import VectorParams, Distance, PointStruct
|
||||
|
||||
**선택 A를 써야 할 때:**
|
||||
- *(TODO)*
|
||||
client = QdrantClient("localhost", port=6333)
|
||||
client.recreate_collection(
|
||||
"docs",
|
||||
vectors_config=VectorParams(size=1536, distance=Distance.COSINE),
|
||||
)
|
||||
client.upsert("docs", points=[
|
||||
PointStruct(id=1, vector=embed(text), payload={"text": text, "source": "x.md"}),
|
||||
])
|
||||
|
||||
**선택 B를 써야 할 때:**
|
||||
- *(TODO)*
|
||||
hits = client.search("docs", query_vector=embed(q), limit=5,
|
||||
query_filter={"must": [{"key": "source", "match": {"value": "x.md"}}]})
|
||||
```
|
||||
|
||||
**기본값:**
|
||||
> *(TODO)*
|
||||
### pgvector (Postgres + vector)
|
||||
```sql
|
||||
CREATE EXTENSION vector;
|
||||
CREATE TABLE docs (
|
||||
id BIGSERIAL PRIMARY KEY,
|
||||
text TEXT,
|
||||
source TEXT,
|
||||
embedding vector(1536)
|
||||
);
|
||||
CREATE INDEX ON docs USING hnsw (embedding vector_cosine_ops);
|
||||
|
||||
## ❌ 안티패턴 (Anti-Patterns)
|
||||
-- hybrid query
|
||||
SELECT id, text FROM docs
|
||||
WHERE source = 'intro.md'
|
||||
ORDER BY embedding <=> $1::vector
|
||||
LIMIT 5;
|
||||
```
|
||||
|
||||
- **[안티패턴]:** *(TODO: 무엇을 하면 안 되는가 + 이유 + 대신 무엇을)*
|
||||
### MongoDB Atlas Vector Search
|
||||
```javascript
|
||||
import { MongoClient } from "mongodb";
|
||||
const col = new MongoClient(uri).db("ai").collection("docs");
|
||||
|
||||
await col.aggregate([
|
||||
{ $vectorSearch: {
|
||||
index: "doc_embedding",
|
||||
path: "embedding",
|
||||
queryVector: await embed(q),
|
||||
numCandidates: 100,
|
||||
limit: 5,
|
||||
filter: { source: "intro.md" },
|
||||
}},
|
||||
{ $project: { text: 1, score: { $meta: "vectorSearchScore" } } },
|
||||
]).toArray();
|
||||
```
|
||||
|
||||
### Redis semantic cache
|
||||
```python
|
||||
import redis, hashlib, json
|
||||
r = redis.Redis()
|
||||
|
||||
def cached_completion(prompt: str, ttl=3600):
|
||||
key = "ai:" + hashlib.sha256(prompt.encode()).hexdigest()
|
||||
if v := r.get(key): return json.loads(v)
|
||||
out = anthropic.messages.create(
|
||||
model="claude-opus-4-7",
|
||||
messages=[{"role":"user","content":prompt}],
|
||||
max_tokens=1024,
|
||||
)
|
||||
r.setex(key, ttl, json.dumps({"text": out.content[0].text}))
|
||||
return {"text": out.content[0].text}
|
||||
```
|
||||
|
||||
### Redis Vector (semantic cache, near-match)
|
||||
```python
|
||||
# RediSearch + HNSW
|
||||
from redis.commands.search.field import VectorField, TextField
|
||||
from redis.commands.search.indexDefinition import IndexDefinition
|
||||
|
||||
r.ft("ai_cache").create_index(
|
||||
[TextField("prompt"),
|
||||
VectorField("v", "HNSW", {"TYPE":"FLOAT32","DIM":1536,"DISTANCE_METRIC":"COSINE"})],
|
||||
definition=IndexDefinition(prefix=["cache:"]),
|
||||
)
|
||||
```
|
||||
|
||||
### Agent state (MongoDB)
|
||||
```python
|
||||
from pymongo import MongoClient
|
||||
c = MongoClient(uri).agents.runs
|
||||
|
||||
run_id = c.insert_one({
|
||||
"user_id": "u1",
|
||||
"messages": [{"role":"system","content":"..."}],
|
||||
"tool_calls": [],
|
||||
"status": "running",
|
||||
"created_at": datetime.utcnow(),
|
||||
}).inserted_id
|
||||
|
||||
c.update_one({"_id": run_id}, {"$push": {"messages": new_msg}})
|
||||
```
|
||||
|
||||
### Knowledge graph (Neo4j)
|
||||
```cypher
|
||||
MERGE (a:Person {name: 'Alice'})
|
||||
MERGE (c:Company {name: 'Acme'})
|
||||
MERGE (a)-[:WORKS_AT {since: 2020}]->(c)
|
||||
```
|
||||
|
||||
```python
|
||||
# answer "who at Acme works with Alice's manager?"
|
||||
session.run("""
|
||||
MATCH (a:Person {name: $n})-[:WORKS_AT]->(c)<-[:WORKS_AT]-(p)
|
||||
RETURN p.name LIMIT 10
|
||||
""", n="Alice")
|
||||
```
|
||||
|
||||
### Hybrid retrieval (BM25 + vector)
|
||||
```python
|
||||
keyword_hits = es.search(index="docs", query={"match": {"text": q}})
|
||||
vector_hits = idx.query(vector=embed(q), top_k=10).matches
|
||||
fused = reciprocal_rank_fusion([keyword_hits, vector_hits], k=60)
|
||||
```
|
||||
|
||||
## 매 결정 기준
|
||||
| 상황 | Approach |
|
||||
|---|---|
|
||||
| Small RAG (<1M docs) | pgvector (single Postgres) |
|
||||
| Medium RAG (1M-100M) | Qdrant / Weaviate self-host |
|
||||
| Large / managed | Pinecone / MongoDB Atlas |
|
||||
| Agent state + chat | MongoDB document store |
|
||||
| Prompt cache | Redis (exact + semantic) |
|
||||
| Entity reasoning | Neo4j |
|
||||
|
||||
**기본값**: pgvector (start) → Qdrant (scale) + Redis cache + MongoDB for agent state.
|
||||
|
||||
## 🔗 Graph
|
||||
- 부모: [[Database-Systems]] · [[AI-Infrastructure]]
|
||||
- 변형: [[Vector-Database]] · [[Document-Database]] · [[Graph-Database]]
|
||||
- 응용: [[RAG]] · [[Semantic-Search]] · [[Agent-Memory]]
|
||||
- Adjacent: [[Embeddings]] · [[Hybrid-Search]] · [[pgvector]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: 매 schema design 의 propose, query construction 의 boilerplate, hybrid-search blend 의 tune.
|
||||
**언제 X**: 매 capacity / cost projection, ANN index parameter (M, efConstruction) tuning — measure on real workload.
|
||||
|
||||
## ❌ 안티패턴
|
||||
- **Vector DB only**: 매 metadata filter 의 ignore = 매 irrelevant top-k.
|
||||
- **No re-ranker**: top-50 vector hits 의 직접 LLM 의 feed = noise. Cohere Rerank or cross-encoder.
|
||||
- **Cache prompt verbatim**: 매 1-char diff = 매 cache miss. Use semantic cache.
|
||||
- **Mixing OLTP + vector**: 매 single Postgres 의 both = 매 index bloat. Separate.
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified (Pinecone docs, Qdrant docs, MongoDB Atlas Vector Search 2025, "Designing Data-Intensive Applications", LangChain RAG cookbook).
|
||||
- 신뢰도 A.
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — NoSQL families mapped to AI/RAG/agent workloads |
|
||||
|
||||
Reference in New Issue
Block a user