키워드 검색은 정확한 단어를 찾습니다. 벡터 검색은 의미를 찾습니다. 하이브리드 검색은 둘을 모두 실행하고 결과를 합칩니다.
작동 방식
쿼리가 두 검색기로 동시에 전달됩니다.
- 키워드: 역색인 위에서 동작하는 BM25. 이름, 코드, 드문 용어에 강합니다.
- 벡터: 벡터 데이터베이스에 저장된 임베딩에서 최근접 이웃을 찾습니다. 바꿔 말한 표현과 동의어에 강합니다.
두 점수는 척도가 다르기 때문에 대부분의 시스템은 순위나 정규화한 점수로 합칩니다.
Cormack, Clarke, Büttcher(SIGIR 2009)가 제안한 **역순위 융합(RRF)**은 문서가 등장한 각 목록마다 항 하나씩을 더합니다. Elasticsearch 문서는 이 루프를 score += 1.0 / (k + rank(result(q), d))로 설명하며, 순위 상수 k의 기본값은 60입니다. 문서에는 “RRF requires no tuning.”(번역: RRF는 튜닝이 필요 없습니다)라고 적혀 있습니다.
k = 60일 때의 계산 예시입니다.
| 문서 | BM25 순위 | 벡터 순위 | RRF 점수 |
|---|---|---|---|
| A | 1 | 3 | 1/61 + 1/63 = 0.0323 |
| B | 2 | 1 | 1/62 + 1/61 = 0.0325 |
| C | 검색 안 됨 | 2 | 1/62 = 0.0161 |
두 검색기 모두 B를 높게 평가했으므로 B가 1위입니다.
가중 융합은 또 하나의 흔한 방법입니다. Weaviate v1.24부터 기본값인 relativeScoreFusion은 각 검색의 점수를 정규화한 뒤 가중합으로 결합합니다. alpha 설정이 두 결과의 비중을 정합니다. 0은 키워드만, 1은 벡터만, 0.75는 서버 기본값입니다. 문서는 alpha를 명시적으로 설정하라고 권합니다. 0.75라는 기본값은 alpha 없이 서버에 도달한 요청에만 적용되는데, 모든 클라이언트 라이브러리가 이 값을 비워 두는 것은 아니어서 실제 가중치가 달라질 수 있습니다.
융합 뒤에는 상위 결과에 리랭커를 추가하는 파이프라인이 많습니다.
왜 중요한가
- 재현율. 실제 쿼리에는 정확한 용어와 느슨한 표현이 섞여 있습니다. 검색기 하나만으로는 일부를 놓칩니다.
- 아랍어. 아랍어는 철자가 다양해서(알리프 형태, 타 마르부타, 발음 부호) 텍스트를 정규화하지 않으면 정확한 키워드 매칭이 어려워집니다. 벡터 검색을 더하면 올바른 청크에 이르는 두 번째 경로가 생깁니다. 아랍어 RAG 검색과 검색을 위한 아랍어 텍스트 정규화를 참고하세요.
- 토큰 절약. 검색이 정확할수록 질문마다 LLM에 보내는 청크가 줄어듭니다.
BroadNet Inference에서는
하이브리드 검색은 Elasticsearch, OpenSearch, Weaviate 같은 검색 스택에서 실행됩니다. BroadNet은 임베딩이나 리랭크 엔드포인트를 제공하지 않으므로, 임베딩은 다른 제공업체나 로컬 모델로 만드세요. 합쳐진 상위 청크는 Chat Completions API로 Qwen3.8 27B나 GLM 5.3 같은 BroadNet 채팅 모델에 보내면 됩니다. 문서가 적다면 문서를 긴 컨텍스트에 그대로 넣는 방식과도 비교해 보세요. 긴 컨텍스트와 RAG 비교를 참고하세요.