Binarity IT온톨로지 · 기술의 변화와 선택
미국 · 한국   /   2026.11.07

전체 기술 지형

기술의 관계와 변화
05 / RAG · 2026.05.07—11.07

RAG 신기술 — 검색에서 실행 맥락으로

새 검색·임베딩·재순위화·그래프 지식층의 발표와 한국의 적용 흐름을 연결합니다.

문서를 가까이 찾는 검색에서 질의 계획, 구간 선택, 업무 관계와 기억을 다루는 지식층으로 경쟁 범위가 넓어진다. 각각의 제공 단계와 검증 조건을 분리해서 봅니다.

확인한 발표 6건확인 2026.11.07발표 사실과 파급효과 분석 구분
Cohere Rerank 5 ProCohere Rerank 5 FastContext FocusNeo4j Context EngineBusiness OntologyGraphRAGGraph-native memoryCohere Embed 5 ProCohere Embed 5 FastShared embedding spaceElasticsearch Vector Databasevectordb_documentHybrid searchManaged GPU inferenceAmazon Bedrock Managed Knowledge BaseAgentic retrievalAgentCoreLG CNS Knowledge FoundationOntology DBDevOn Agentic AINDCline
LG CNS Knowledge Foundation플랫폼 출시 · 적용 사례 발표
Amazon Bedrock Managed Knowledge BaseGA 발표
Elasticsearch Vector Database신규 서버리스 제공 발표
Cohere Embed 5 Pro모델·API 제공
Neo4j Context EnginePrivate preview
Cohere Rerank 5 ProGA · 배포 경로별 조건 확인
01국제
GA · 배포 경로별 조건 확인

Rerank 5 Context Focus: 문서 순위에서 답변에 필요한 구간 선택으로

Cohere Rerank 5 ProCohere Rerank 5 FastContext Focus

상위 문서·청크의 순위만 조정하는 것에서, 같은 호출로 문서 내부의 필요한 텍스트 구간을 고르는 단계가 추가됐다.

새로 나온 내용

Pro·Fast 재순위 모델과 문서 안의 관련 구간을 반환하는 Context Focus를 공개했다.

일관된 관련도 점수로 임계값을 설정하는 기능과 API·Model Vault 등 제공 범위를 설명했다.

기술적으로 달라진 부분

기존 검색 결과를 재순위화하고 관련 구간의 문자 위치와 점수를 반환한다. 문서 전체 대신 선택 구간을 생성 모델에 전달할 수 있다.

RAG에 미치는 영향 분석

검색 결과 수를 단순히 줄이기보다 질문에 필요한 근거를 보존하며 입력 토큰을 조절하는 선택지가 생긴다. 검색 품질·답변 충실도·지연·비용을 한 파이프라인에서 평가해야 한다.

Rerank 5 Context Focus: 문서 순위에서 답변에 필요한 구간 선택으로의 원문 근거 관계Rerank 5 — 도입 → Context Focus。Context Focus — 반환 → 문서 내 관련 구간。Rerank 5 — 제공 → Pro·Fast 모델。실선은 원문이 명시한 관계입니다. 기술 성능이나 산업적 인과관계를 증명하는 그림이 아닙니다.도입반환제공Rerank 5Rerank 5Context FocusContext Focus문서 내 관련 구간문서 내 관련 구간Pro·Fast 모델Pro·Fast 모델
3개 원문 명시 관계 · 원의 크기: 이 그림의 연결 수
Rerank 5도입 →Context Focus근거 ↗
Context Focus반환 →문서 내 관련 구간근거 ↗
Rerank 5제공 →Pro·Fast 모델근거 ↗

발표의 범위

입력은 텍스트이고 Context Focus는 Cohere API에서 제공된다. 광범위한 요약이나 표·양식·코드는 필요한 맥락이 잘릴 수 있어 전체 문서가 유리할 수 있다.

다음에 확인할 변화

관련 구간만 넘겼을 때 조건·예외 조항 누락과 실제 인용의 정확성을 점검한다.

출처 2개
02미국
Private preview

Neo4j Context Engine: 그래프 검색을 업무 온톨로지·기억과 묶는다

Neo4j Context EngineBusiness OntologyGraphRAGGraph-native memory

벡터 유사도 기반 문서 검색만 보강하는 것에서, 기업 개념·관계·프로세스·실행 이력을 재사용 가능한 지식층으로 묶는 제품 방향이 드러난다.

새로 나온 내용

Business Ontology, Context Build·Runtime, Context Studio, Memory·Learning 구성을 발표했다.

업무 온톨로지를 GraphRAG로 검색하고 그래프 기반 기억을 에이전트 실행 맥락으로 제공하는 구조다.

기술적으로 달라진 부분

기존 데이터로 업무 온톨로지를 만들고, GraphRAG retriever가 의미층의 맥락을 가져온다. Context Studio는 온톨로지·워크플로를 관리하고 기억층은 과거 의사결정 경로를 기록하도록 설계됐다.

RAG에 미치는 영향 분석

고객·계정·상품·위험이 여러 시스템에 걸쳐 있는 질문에 관계 검색을 검토할 이유가 생긴다. 문서 검색의 재현율과 별개로 그래프 스키마·관계 최신성·변경 통제의 운영 부담이 생긴다.

Neo4j Context Engine: 그래프 검색을 업무 온톨로지·기억과 묶는다의 원문 근거 관계Neo4j Context Engine — 구성 요소로 포함 → Business Ontology。Context Build and Runtime — 맥락 검색에 사용 → GraphRAG retriever。Neo4j Context Engine — 포함 → Graph-native memory。실선은 원문이 명시한 관계입니다. 기술 성능이나 산업적 인과관계를 증명하는 그림이 아닙니다.구성 요소로 포함맥락 검색에 사용포함Neo4j Context EngineNeo4j Context EngineBusiness OntologyBusiness OntologyContext Build and RuntimeContext Build and RuntimeGraphRAG retrieverGraphRAG retrieverGraph-native memoryGraph-native memory
3개 원문 명시 관계 · 원의 크기: 이 그림의 연결 수
Neo4j Context Engine구성 요소로 포함 →Business Ontology근거 ↗
Context Build and Runtime맥락 검색에 사용 →GraphRAG retriever근거 ↗
Neo4j Context Engine포함 →Graph-native memory근거 ↗

발표의 범위

비공개 프리뷰다. 발표된 신뢰성·학습 효과를 상용 고객 전체의 검증 성과로 취급하지 않는다.

다음에 확인할 변화

프리뷰 제공 범위와 생성된 관계의 근거·정정·권한 전파, 벡터 RAG 대비 복합 질문 성능을 확인한다.

출처 1개
03국제
모델·API 제공

Embed 5 Pro·Fast: 같은 벡터 공간에서 인덱싱과 질의 모델을 나눈다

Cohere Embed 5 ProCohere Embed 5 FastShared embedding space

하나의 모델로 문서·질의를 모두 처리하는 선택 외에, 문서는 Pro로 색인하고 대화 중 질의는 Fast로 처리하는 조합을 검토할 수 있게 됐다.

새로 나온 내용

Pro·Fast 두 임베딩 모델을 공개했으며 두 모델은 같은 임베딩 공간을 공유한다.

텍스트·이미지·혼합 입력과 다국어 검색을 지원하고 API·미국 클라우드 배포 경로를 제공한다.

기술적으로 달라진 부분

공통 공간을 사용해 서로 다른 두 모델의 문서·질의 벡터를 같은 인덱스에서 비교한다. 기존 세대의 모든 벡터가 자동 호환된다는 뜻은 아니며 새 가족 안의 호환성이다.

RAG에 미치는 영향 분석

색인 비용과 온라인 질의 지연을 별도로 최적화하는 RAG 운영 전략과 연결된다. 금융 문서·표·이미지·한국어 데이터에서 검색 누락과 인덱스 저장량을 함께 비교할 수 있다.

Embed 5 Pro·Fast: 같은 벡터 공간에서 인덱싱과 질의 모델을 나눈다의 원문 근거 관계Cohere — 공개 → Embed 5 Pro·Fast。Embed 5 Pro·Fast — 공유 → 임베딩 공간。실선은 원문이 명시한 관계입니다. 기술 성능이나 산업적 인과관계를 증명하는 그림이 아닙니다.공개공유CohereCohereEmbed 5 Pro·FastEmbed 5 Pro·Fast임베딩 공간임베딩 공간
2개 원문 명시 관계 · 원의 크기: 이 그림의 연결 수
Cohere공개 →Embed 5 Pro·Fast근거 ↗
Embed 5 Pro·Fast공유 →임베딩 공간근거 ↗

발표의 범위

Cohere는 캐나다 기반 국제 공급사로 미국 기업으로 분류하지 않는다. 발표 벤치마크가 한국어 기업 자료의 품질을 대신하지 않는다.

다음에 확인할 변화

실제 말뭉치에서 Pro/Pro·Pro/Fast 조합의 검색 품질·p95 지연·차원별 저장 비용을 비교한다.

출처 2개
04미국·국제
신규 서버리스 제공 발표

Elasticsearch Vector Database: 벡터 우선 인덱싱과 하이브리드 검색의 서버리스 결합

Elasticsearch Vector Databasevectordb_documentHybrid searchManaged GPU inference

RAG 팀이 임베딩 호스팅·벡터 저장·인덱스 튜닝을 각각 운영하는 대신 벡터 우선 구성을 하나의 검색 플랫폼에서 다루는 방향이다.

새로 나온 내용

벡터 기반 애플리케이션에 최적화한 신규 서버리스 서비스를 발표했다.

vectordb_document 기본 설정, 임베딩·인덱스 조정과 벡터·어휘 하이브리드 검색을 결합한다.

기술적으로 달라진 부분

벡터 인덱스의 저장·캐시·병합 기본값을 조정하고 관리형 임베딩 추론을 연결한다. 밀집·희소 벡터와 어휘 검색, 필터를 함께 사용한다.

RAG에 미치는 영향 분석

기존 검색 데이터와 RAG 검색을 다른 시스템에 중복 구축하는 비용을 줄일 여지가 있다. 동시에 기본값의 편의성보다 업무별 필터 조건·검색 품질·인덱스 갱신 비용을 검토해야 한다.

Elasticsearch Vector Database: 벡터 우선 인덱싱과 하이브리드 검색의 서버리스 결합의 원문 근거 관계Elastic — 신규 제공 발표 → Elasticsearch Vector Database。Elasticsearch Vector Database — 기본 사용 → vectordb_document。Elasticsearch Vector Database — 결합 → 벡터·어휘 하이브리드 검색。실선은 원문이 명시한 관계입니다. 기술 성능이나 산업적 인과관계를 증명하는 그림이 아닙니다.신규 제공 발표기본 사용결합ElasticElasticElasticsearch Vector DatabaseElasticsearch Vector Databasevectordb_documentvectordb_document벡터·어휘 하이브리드 검색벡터·어휘 하이브리드 검색
3개 원문 명시 관계 · 원의 크기: 이 그림의 연결 수
Elastic신규 제공 발표 →Elasticsearch Vector Database근거 ↗
Elasticsearch Vector Database기본 사용 →vectordb_document근거 ↗
Elasticsearch Vector Database결합 →벡터·어휘 하이브리드 검색근거 ↗

발표의 범위

이 글은 특정 서버리스 제공의 발표다. 모든 기존 Elasticsearch 배포에서 같은 기능·비용이 자동 제공된다는 뜻이 아니며 공급사 규모·성능 주장은 별도 검증이 필요하다.

다음에 확인할 변화

기존 인덱스의 전환 요건, 필터가 많은 한국어 문서 질의의 재현율·지연과 데이터 반출 조건을 확인한다.

출처 1개
05미국
GA 발표

Bedrock Managed Knowledge Base GA: 검색 계획·재평가까지 관리형 RAG에 포함

Amazon Bedrock Managed Knowledge BaseAgentic retrievalAgentCore

검색 후 한 번 생성하는 파이프라인에서, 여러 의도가 있는 질문의 검색 과정을 계획·평가하는 기능까지 관리형 구성으로 이동한다.

새로 나온 내용

저장·수집·검색 인프라를 묶은 Managed Knowledge Base를 정식 제공했다.

하이브리드 검색·문서 순위화와 질의 계획·중간 응답 평가·재순위화를 조정하는 agentic retrieval을 포함한다.

기술적으로 달라진 부분

S3·SharePoint 등 데이터 연결과 동기화, 관리형 벡터 저장을 결합하고 AgentCore와 연결한다. 복합 질문에서 질의를 나누고 검색 결과를 재평가하는 역할을 서비스가 맡는다.

RAG에 미치는 영향 분석

RAG 개발의 차별화가 인덱스 연결 자체에서 권한·문서 최신성·복합 질의의 완결성으로 이동할 수 있다. 운영 범위를 줄이는 대신 검색 계획의 관측 가능성과 비용 통제를 검토해야 한다.

Bedrock Managed Knowledge Base GA: 검색 계획·재평가까지 관리형 RAG에 포함의 원문 근거 관계Amazon Bedrock Managed Knowledge Base — 포함 → Agentic retrieval。Agentic retrieval — 조정 → 질의 계획·중간 평가·재순위화。Managed Knowledge Base — 기본 연동 → Amazon Bedrock AgentCore。실선은 원문이 명시한 관계입니다. 기술 성능이나 산업적 인과관계를 증명하는 그림이 아닙니다.포함조정기본 연동Amazon Bedrock Managed Knowledge BaseAmazon Bedrock Managed Knowledge BaseAgentic retrievalAgentic retrieval질의 계획·중간 평가·재순위화질의 계획·중간 평가·재순위화Managed Knowledge BaseManaged Knowledge BaseAmazon Bedrock AgentCoreAmazon Bedrock AgentCore
3개 원문 명시 관계 · 원의 크기: 이 그림의 연결 수
Amazon Bedrock Managed Knowledge Base포함 →Agentic retrieval근거 ↗
Agentic retrieval조정 →질의 계획·중간 평가·재순위화근거 ↗
Managed Knowledge Base기본 연동 →Amazon Bedrock AgentCore근거 ↗

발표의 범위

출시 발표의 지역 목록에는 미국 리전 등이 기재됐지만 서울 리전은 확인되지 않는다. 관리형이라는 이유로 모든 질문의 정확도나 비용 절감이 입증되지는 않는다.

다음에 확인할 변화

질의 분해 이력·검색 근거·문서 ACL과 같은 질문의 단일 검색 대비 총지연·토큰 비용을 비교한다.

출처 1개
06한국
플랫폼 출시 · 적용 사례 발표

Knowledge Foundation: 한국의 개발 표준·보안·소스코드를 온톨로지로 연결

LG CNS Knowledge FoundationOntology DBDevOn Agentic AINDCline

일반 문서와 질문의 유사성을 찾는 검색과 달리, 개발·보안 규칙과 시스템 구조를 에이전트가 사용할 맥락으로 제품화한 한국 사례다.

새로 나온 내용

LG CNS는 Cline과 공동 개발한 DevOn Agentic AIND를 출시했다고 밝혔다.

Knowledge Foundation을 개발 표준·보안 규정·소스코드·개발 산출물의 관계를 구조화한 온톨로지 데이터베이스로 설명했다.

기술적으로 달라진 부분

Knowledge Foundation의 구조화된 기업 IT 정보를 바탕으로 분석·설계·코딩·검증 에이전트가 협업하고, 사람이 결과를 검토·승인한다.

RAG에 미치는 영향 분석

RAG의 인접 흐름인 기업 지식층이 답변 근거에서 실행 제약과 개발 규칙으로 확장되는 신호다. 한국의 레거시 환경에서 관계 모델의 작성·유지 비용과 생성 코드의 실제 규정 준수를 평가할 수 있다.

Knowledge Foundation: 한국의 개발 표준·보안·소스코드를 온톨로지로 연결의 원문 근거 관계LG CNS — 공동 개발 → Cline。DevOn Agentic AIND — 기반 지식층 → Knowledge Foundation。Knowledge Foundation — 구조화 → 개발 표준·보안 규정·소스코드·산출물。실선은 원문이 명시한 관계입니다. 기술 성능이나 산업적 인과관계를 증명하는 그림이 아닙니다.공동 개발기반 지식층구조화LG CNSLG CNSClineClineDevOn Agentic AINDDevOn Agentic AINDKnowledge FoundationKnowledge Foundation개발 표준·보안 규정·소스코드·산출물개발 표준·보안 규정·소스코드·산출물
3개 원문 명시 관계 · 원의 크기: 이 그림의 연결 수
LG CNS공동 개발 →Cline근거 ↗
DevOn Agentic AIND기반 지식층 →Knowledge Foundation근거 ↗
Knowledge Foundation구조화 →개발 표준·보안 규정·소스코드·산출물근거 ↗

발표의 범위

보도자료가 Knowledge Foundation의 검색 알고리즘을 모두 공개한 것은 아니다. 이를 특정 GraphRAG 알고리즘 채택이나 RAG 성능 우위로 단정하지 않는다.

다음에 확인할 변화

온톨로지의 갱신·출처 추적·권한 모델과 레거시 변경 이후 생성 결과의 회귀 품질을 확인한다.

출처 1개
다음 산업군으로 이어지는 가능성

기술 변화가 다음으로 닿는 곳

점선은 아래 발표를 바탕으로 한 적용 가능성 분석입니다. 해당 산업의 도입·성과가 확인됐다는 뜻은 아닙니다.

Rerank 5 · Context Focus⇢ 영향 분석AICC ↗

상담 답변에 필요한 문서 구간만 선택하는 기술을 지식 검색에 적용해 볼 수 있다. 토큰 감소가 곧 정확도·지연 개선을 보장하지는 않는다.

확인할 신호: 한국어 상담 질의에서 근거 누락·토큰·응답 시간의 동시 비교
Embed 5 · 공유 임베딩 공간⇢ 영향 분석이커머스 ↗

상품 자료 인덱싱과 사용자 질의의 모델을 다르게 조합하는 검색 설계를 검토할 수 있다.

확인할 신호: 상품 속성·이미지·자연어 조건 검색의 실제 재현율과 운영 비용
Binarity IT온톨로지 · 미국 / 한국 · 주간 발행 아카이브 ↗2026.05.06 — 11.06 · 기술 계보·기존 제품은 이전 자료 포함