코믹스에서 코드까지: 증거 하나하나를 모아 MyZubster를 구축하다

(dev.to)

Dev.to AI2026년 10월 3일스타트업

MyZubster는 AI의 환각 문제를 해결하기 위해 검색된 증거를 재해석 없이 원문 그대로 전달하는 결정론적 RAG 아키텍처를 구축하며, 데이터의 무결성과 검증 가능성을 확보하는 새로운 기술적 접근 방식을 제시합니다.

이 글의 핵심 포인트

1AI가 검색된 정보를 임의로 재구성하거나 잘못된 내용을 추가하는 문제를 해결하기 위해 증거 중심의 설계를 도입함
2특정 ID가 존재할 경우 검색 유사도보다 해당 데이터를 우선시하고, 데이터가 없으면 유사한 정보를 찾는 대신 '정보 없음'을 명시하는 결정론적 경로를 구축함
3증거에 답변이 명확히 포함된 경우, LLM의 생성 과정을 생략하고 원문을 그대로 반환하여 정보의 왜곡을 방지함
4Qdrant(벡터 DB)와 Ollama(로컬 AI)를 활용하며, 저장된 데이터와 검색 가능한 데이터의 불일치를 해결하기 위한 인덱스 복구 메커니즘을 추가함
5단순한 데이터 기록을 넘어, 기록된 이벤트가 자동으로 탈중앙화된 증거가 되는 것은 아니라는 데이터 무결성에 대한 명확한 구분을 유지함

이 글에 대한 공공지능 분석

왜 중요한가?

AI의 가장 치명적인 약점인 '환각(Halluc앙)' 문제를 해결하기 위해, AI의 '생성' 능력을 제한하고 '증거'의 무결성을 우선시하는 패러다임 전환을 보여줍니다. 이는 신뢰성이 필수적인 엔터프라이즈 AI 서비스 구축에 있어 매우 중요한 이정표가 됩니다.

어떤 배경과 맥락이 있나?

최근 RAG(검색 증강 생성) 기술이 보편화되었음에도 불구하고, LLM이 검색된 소스를 바탕으로 임의의 문장을 덧붙이거나 사실을 왜곡하는 문제가 지속적으로 발생하고 있습니다. 이를 해결하기 위해 단순한 검색 성능 향상을 넘어, 데이터의 식별과 인덱싱, 그리고 생성 프로세스를 분리하려는 시도가 이어지고 있습니다.

업계에 어떤 영향을 주나?

법률, 의료, 금융 등 팩트의 정확도가 생명인 산업군에서는 AI 에이전트 설계 시 '창의적 생성'보다 '정확한 인용'을 보장하는 결정론적(Deterministic) 아키텍처가 표준으로 자리 잡을 가능성이 높습니다.

한국 시장에 어떤 시사점이 있나?

한국의 제조, 공공, 금융 분야 스타트업들은 단순한 LLM 도입을 넘어, 데이터의 원문 보존과 검증 가능한 인덱싱 파이프라인을 구축하는 데 집중해야 합니다. 데이터의 '저장'과 '검색 가능성' 사이의 간극을 관리하는 기술적 역량이 AI 서비스의 신뢰도를 결정짓는 핵심 경쟁력이 될 것입니다.

이 글에 대한 큐레이터 의견

MyZubster의 접근 방식은 'AI가 얼마나 똑똑한가'라는 질문을 'AI가 어디까지 개입해야 하는가'라는 설계적 질문으로 전환시켰다는 점에서 매우 영리합니다. 특히 증거가 명확할 경우 LLM의 생성 과정을 생략하고 원문을 그대로 반환하는 방식은, 시스템의 신뢰도를 높이는 동시에 연산 비용을 절감할 수 있는 실무적인 전략입니다.

하지만 이러한 결정론적 접근에는 '유연성 저하'라는 트레이드오프가 존재합니다. 사용자가 복잡한 요약이나 문맥적 재구성을 요구할 때, 지나치게 엄격한 증표 중심의 규칙은 AI의 강력한 장점인 '언어적 유연성'을 제한할 수 있습니다. 따라서 창업자들은 서비스의 목적에 따라 '정확한 팩트 전달'과 '지능적 추론' 사이의 균형점을 찾는 정교한 아키텍처 설계 역량을 갖추어야 합니다.

원문 보기 →