Bi-encoder와 Cross-encoder 조합을 통한 RAG 검색 정밀도 최적화
Reranking: Retrieve Fast, Then Reorder Precisely (Better RAG)
Semantic Chunking과 Reranking 도입을 통한 RAG Hallucination 제어
Why My RAG App Kept Hallucinating (and How I Fixed It)
프롬프트 기반 제어를 Retrieval Gate 코드로 대체하여 Hallucination 제거 및 정확도 100% 달성
Stop telling your RAG bot not to hallucinate. Make it impossible.
Vector DB 없는 Hybrid Retrieval 기반의 권한 관리형 지식 계층 설계
The knowledge-authority layer: what your agents can't get from the outside
Hybrid Retrieval 기반 RAG 파이프라인 구축을 통한 개인화 답변 엔진 구현
My Bookmark Engine Returned Chunks. I Added One Endpoint to Make It Answer.
Context Compression을 통한 토큰 비용 절감 및 Lost in the Middle 현상 해결
Context Compression Before the LLM: Cutting Tokens Without Cutting Recall
Hybrid Retrieval 및 RRF 도입을 통한 RAG 정밀도 극대화
Article: Why Vector Search Alone Isn't Enough: Hybrid Retrieval for RAG
Dual Encoder와 Cross-Encoder 조합을 통한 검색 정밀도 최적화
Dual Encoder vs Cross-Encoder: Why Your RAG Pipeline Needs Both
Graph Expansion 기반 Recall 1.0 달성 및 Reranking 통한 정밀도 최적화
Building KernelMind Part 3: Evaluation, Retrieval Ablations, RAGAS, and Turning The Project Into Something Measurable
Hybrid Retrieval과 Graph Expansion을 통한 코드 실행 흐름 복원
Building KernelMind Part 2: Hybrid Retrieval, Reranking, and Actually Retrieving Useful Code
RAG recall@5 개선 및 Lost-in-the-Middle 해결을 위한 Reranker 기반 최적화 전략
Why production RAG fails — and the boring metrics that fix it
1.3B 파라미터 모델로 구현한 31% 정확도의 Medical LLM 성능 검증
I evaluated my self-trained LLM what 31% accuracy actually means
RAG Retrieval 고도화를 통한 Local LLM 답변 정확도 70% 개선
Why your local LLM knowledge base gives bad answers (and how to fix it)
Hybrid-Rerank 도입을 통한 Clinical Retrieval Recall@5 86% 달성
Two Retrieval Methods Are Better Than One: Evidence from 500 Clinical Queries
Naive RAG 한계 극복을 위한 Hybrid Search 및 Re-ranking 기반 Contextual Retrieval 설계
Beyond Vector Search: Mastering Contextual Retrieval for LLMs
JEP 489 Vector API 기반 Local Re-ranking으로 LLM 오버헤드 제거 및 10ms 지연시간 달성
Stop Wasting Tokens: High-Performance Local Re-ranking with Spring AI and JEP 489
RAG系统实战：从Chunk切分到检索增强全流程解析
이중 의미론적 Chunking 및 BGE-zh-v1.5 기반 RAG 최적화로 First-hit Rate 23% 향상
Recall@10 측정과 Hybrid Search/Reranker 도입을 통한 RAG 정확도 60%에서 80%로 개선
My First RAG System Had No Evals. 40% of Answers Were Wrong.
노이즈 제거로 Hallucination 해결, Context Pruning 전략
Context Pruning Unlocks Superior RAG Accuracy Metrics
Sentence Transformers v4가 Cross Encoder 기반 Reranker 모델의 새로운 학습 방식을 도입해 도메인 특화 미세조정으로 일반용 모델 13개를 모두 초과
Training and Finetuning Reranker Models with Sentence Transformers v4