---
id: [[P-Reinforce|P-Reinforce]]-AUTO-RRHS-001
category: Unified
confidence_score: 1.00
tags: [auto-reinforced, reranking, hybrid-search, semantic-search, lexical-search, bm25]
last_reinforced: 2026-05-04
---

# [[Reranking & Hybrid Search|Reranking & Hybrid Search]]

## 📌 한 줄 통찰 (The Karpathy Summary)
> "검색의 필터링과 재조합: 단순한 의미적 유사성(Dense)과 정확한 키워드 매칭(Sparse)을 결합하고, 후보군을 다시 한번 정밀 검사하여 모델에게 가장 완벽한 근거를 제공하는 2단계 검증 시스템."

## 📖 구조화된 지식 (Synthesized Content)
RAG 시스템의 검색 정확도를 극대화하기 위해 두 가지 이상의 검색 방식을 결합하고 결과를 재정렬하는 기법입니다.

1.  **Hybrid Search (하이브리드 검색)**:
    *   **Dense Retrieval (임베딩 검색)**: 문맥과 의미를 파악하여 유사한 정보를 찾습니다. (예: "금융 위기"와 "경제 공황")
    *   **Sparse Retrieval (키워드 검색)**: BM25 등을 사용하여 정확한 단어 매칭을 수행합니다. (예: 제품명, 고유 명사 검색)
    *   **Reciprocal Rank Fusion (RRF)**: 두 검색 결과의 순위를 수학적으로 결합하여 최종 후보군을 산출합니다.
2.  **Reranking (재순위화)**:
    *   **필요성**: 1차 검색(Vector Search)은 수백만 개 중 후보를 빨리 찾는 데 최적화되어 있어 정밀도가 다소 낮을 수 있습니다.
    *   **작동**: 1차 검색으로 뽑힌 수십 개의 후보군에 대해, 훨씬 무겁고 정밀한 Cross-Encoder 모델을 사용하여 질문과의 관련성을 다시 계산하고 순위를 재배치합니다.
3.  **효과**:
    *   검색 결과의 상위권(Top-K)에 실제 정답이 포함될 확률(Recall)과 정답만 포함될 확률(Precision)을 동시에 높입니다.

## ⚖️ Trade-offs & Caveats
*   **지연 시간**: Reranking 단계는 추가적인 모델 연산을 필요로 하므로, 전체 응답 속도가 수백 밀리초 이상 느려질 수 있습니다.
*   **비용**: 고성능 Reranker 모델을 사용할 경우 API 호출 비용이나 GPU 자원 소모가 늘어납니다.

## 🔗 지식 연결 (Graph)
*   **상위 시스템**: [[Retrieval-Augmented Generation (RAG)|Retrieval-Augmented Generation (RAG)]]
*   **연관 기술**: [[Vector Databases & Search|Vector Databases & Search]], [[Embedding Models & MRL|Embedding Models & MRL]]
*   **주요 툴**: Cohere Rerank, BGE-Reranker, Voyage Rerank

---
*Last updated: 2026-05-04*