벤더 관리 시스템 구축을 위한 Qdrant 기반 멀티 에이전트 워크플로우

제품 검색 기능 개발 중, 데이터베이스에 '노트북'은 존재하지만 '노트북 컴퓨터'로 검색 시 결과가 나타나지 않는 문제를 발견했습니다. 이는 키워드 기반 검색의 한계점을 보여주며, 정확한 키워드 매칭 외에 사용자 의도를 파악하는 시스템의 필요성을 느끼게 했습니다. 이에 벤더와 제품 간의 관계를 명확히 하고, 가격 범위 필터링 및 미납 송장 확인 등 강력한 필터링 기능을 지원하며, LLM을 통해 사용자 의도를 이해하는 벤더 관리 시스템을 구축했습니다.

벡터 데이터베이스 선택 과정에서 Pinecone과 Chroma를 먼저 검토했지만, 복잡한 필터링 로직 구현에 어려움을 느껴 Qdrant를 최종적으로 선택했습니다. Pinecone은 빠른 통합이 가능하지만 유연성이 부족했고, Chroma는 실험적인 용도로 적합하나 프로덕션 환경으로 전환하는 데 예상보다 많은 조정이 필요했습니다. 반면 Qdrant는 예측 가능한 동작과 필터링 기능의 내장 지원으로 검색 품질 저하 없이 정확한 결과를 제공하여 사용 사례에 부합했습니다.

시스템 구축을 위해 Qdrant, sentence-transformers, Groq, Faker 라이브러리를 설치하고 환경을 설정했습니다. Qdrant는 벡터 검색을 담당하며, sentence-transformers는 텍스트를 숫자 형태로 변환합니다. Groq는 LLaMA 모델에 접근하기 위해 사용되고, Faker는 실제와 유사한 테스트 데이터를 생성하는 데 활용됩니다. 특히 Qdrant는 테스트 및 데모 환경에서 메모리 내 실행이 가능하며, Docker 또는 클라우드 배포 시 동일한 API를 사용할 수 있다는 장점이 있습니다.