---
title: "하이브리드 검색이란? BM25와 벡터 검색, RRF 정리 | BroadRouter"
description: "하이브리드 검색은 BM25 같은 키워드 검색과 벡터 검색을 함께 돌리고 순위를 합칩니다. 주로 RRF(역순위 융합)를 씁니다. 작동 방식과 RAG에 도움이 되는 이유를 정리했습니다."
url: https://broadrouter.com/ko/glossary/hybrid-search/
lang: ko
updated: 2026-11-16
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

이 페이지는 영어 원문을 AI의 도움을 받아 번역했습니다. [영어 원문 읽기](https://broadrouter.com/glossary/hybrid-search/) (2026-11-16 업데이트).

# 하이브리드 검색(hybrid search)

업데이트 2026-11-16

하이브리드 검색(hybrid search)은 같은 쿼리로 BM25 같은 키워드 검색과 임베딩 기반 벡터 검색을 함께 실행한 뒤, 두 순위 목록을 하나로 합치는 검색 방식입니다. 합칠 때는 주로 역순위 융합(RRF)이나 정규화한 점수의 가중합을 씁니다.

다른 이름: 하이브리드 서치, 하이브리드 검색 RAG, 키워드 벡터 하이브리드 검색, 역순위 융합, hybrid search, hybrid retrieval, reciprocal rank fusion, RRF

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](https://broadrouter.com/ko/glossary/bm25/). 이름, 코드, 드문 용어에 강합니다.
-   **벡터**: [벡터 데이터베이스](https://broadrouter.com/ko/glossary/vector-database/)에 저장된 [임베딩](https://broadrouter.com/ko/glossary/embeddings/)에서 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 `k`의 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 융합**은 또 하나의 흔한 방법입니다. Weaviate v1.24부터 기본값인 `relativeScoreFusion`은 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 [리랭커](https://broadrouter.com/ko/glossary/reranking/)를 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 검색](https://broadrouter.com/ko/blog/arabic-rag-search/)과 [검색을 위한 아랍어 텍스트 정규화](https://broadrouter.com/ko/blog/arabic-text-normalization-search/)를 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 27B](https://broadrouter.com/ko/models/qwen3.8-27b/)나 [GLM 5.3](https://broadrouter.com/ko/models/glm-5.3/) 같은 BroadNet 채팅 모델에 보내면 됩니다. 문서가 적다면 문서를 긴 컨텍스트에 그대로 넣는 방식과도 비교해 보세요. [긴 컨텍스트와 RAG 비교](https://broadrouter.com/ko/blog/long-context-vs-rag/)를 참고하세요.

## 자주 묻는 질문

### 벡터 검색만 쓰면 안 되나요?

임베딩은 의미를 잘 맞추지만 제품 코드, 이름, 오류 메시지 같은 정확한 문자열은 놓칠 수 있습니다. 키워드 검색은 이런 것을 잡아냅니다. 둘을 합치면 두 종류의 쿼리를 모두 처리할 수 있습니다.

### RRF는 튜닝해야 하나요?

대개 크게 손댈 필요가 없습니다. Elasticsearch 문서에 따르면 RRF는 튜닝이 필요 없고, 합치는 결과 집합들의 관련성 점수가 서로 비교 가능할 필요도 없습니다. 순위 상수의 기본값은 60입니다.

### Weaviate의 alpha는 무슨 뜻인가요?

벡터 결과와 키워드 결과 사이의 가중치입니다. Weaviate 문서에 따르면 alpha 0은 키워드 검색만, alpha 1은 벡터 검색만 쓰며, 서버 기본값은 0.75입니다.

## 함께 보기

-   [BM25](https://broadrouter.com/ko/glossary/bm25/) (용어)
-   [임베딩(embedding)](https://broadrouter.com/ko/glossary/embeddings/) (용어)
-   [벡터 데이터베이스(vector database)](https://broadrouter.com/ko/glossary/vector-database/) (용어)
-   [리랭킹(reranking)](https://broadrouter.com/ko/glossary/reranking/) (용어)
-   [RAG(검색 증강 생성)](https://broadrouter.com/ko/glossary/rag/) (용어)
-   [청킹(chunking, RAG)](https://broadrouter.com/ko/glossary/chunking/) (용어)
-   [OpenAILike로 LlamaIndex와 BroadNet Inference 연결하기](https://broadrouter.com/ko/guides/llamaindex-openailike/) (가이드)
-   [아랍어 RAG: 제대로 작동하는 정규화, 청킹, 검색](https://broadrouter.com/ko/blog/arabic-rag-search/) (글)
-   [롱 컨텍스트 vs RAG: 100만 토큰이 벡터 DB를 대체할 때](https://broadrouter.com/ko/blog/long-context-vs-rag/) (글)
-   [검색과 RAG를 위한 아랍어 텍스트 정규화: 바꿀 것과 둘 것](https://broadrouter.com/ko/blog/arabic-text-normalization-search/) (글)

실제 워크로드로 테스트해 보세요. 신규 계정에는 US$5 상당의 초기 크레딧이 제공되며 Gemma 및 음성 전사에 사용할 수 있습니다. DeepSeek, GLM 및 Qwen3.8 모델은 충전이 필요합니다.

[시작하기](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=ko-glossary-hybrid-search&utm_content=page-cta) ·

**출처**

-   [Cormack, Clarke, Büttcher, Reciprocal rank fusion outperforms Condorcet and individual rank learning methods, SIGIR 2009 (2026-11-15 확인)](http://cormack.uwaterloo.ca/cormacksigir09-rrf.pdf)
-   [Elasticsearch 문서, 역순위 융합(RRF) (2026-11-16 확인)](https://www.elastic.co/docs/reference/elasticsearch/rest-apis/reciprocal-rank-fusion)
-   [Weaviate 문서, 하이브리드 검색 개념(alpha와 융합 방식) (2026-11-16 확인)](https://docs.weaviate.io/weaviate/concepts/search/hybrid-search)
