RAG를 만들어 본 개발자가 “우리 회사 AI가 업무 질문에 왜 틀리는가?”를 진단하고, 익숙한 PostgreSQL로 작은 업무 온톨로지를 직접 설계·구현·검증하는 과정을 다루는 책입니다.

같은 업무 질문 30개를 여러 가지 구성으로 풀어 비교하면서, 온톨로지를 어디에 얼마나 도입해야 하는지 실험을 통해 판단할 수 있는 기준을 제시합니다.

이 책에서 말하는 “RAG 다음”은 RAG를 대체한다는 뜻이 아닙니다. RAG만으로는 해결하기 어려운 문제가 있으며, 그중 일부는 온톨로지와 명시적인 의미 모델을 통해 더 잘 풀 수 있다는 의미입니다. 어떤 문제가 검색의 문제이고, 어떤 문제가 데이터·의미·업무 규칙의 문제인지 구분하는 관점을 기르는 것이 이 책의 주요 목적입니다.

AI 활용 집필 안내

이 책은 Claude Code(AI)를 활용하여 작성되었습니다. 모든 실습은 PostgreSQL 16 + pgvector 환경에서 직접 실행해 검증하며, 각 페이지 상단에 검증 상태와 기준 버전을 표시합니다.

[검증] 해당 버전에서 직접 실행해 확인한 내용
[참고] 공식 문서·자료를 대조했으나 직접 실행하지 않은 내용

설계안과 검증 결과를 구분해 서술하며, 정확도와 비용 수치는 모델과 실행 환경에 따라 달라질 수 있으므로 개별 수치보다는 전체적인 경향에 주목해 읽는 것을 권합니다.

이 책의 특징

1. 실패 사례에서 시작합니다.
RAG가 틀린 답변 10개를 분석하고 오류를 검색·데이터·의미·규칙 문제로 구분합니다. 모든 문제를 온톨로지로 해결하려 하지 않습니다.

2. 하나의 사례를 끝까지 사용합니다.
가상 기업의 고객·계약·환불 업무 질문 30개를 책 전체의 실험 재료로 사용하고, 후반부에는 세무 상담과 같은 전문 업무로 확장합니다.

3. PostgreSQL에서 출발합니다.
개념·관계·시점·근거를 테이블과 API로 표현하는 방법을 살펴보고, 언제 그래프 DB나 RDF 같은 별도의 기술을 고려해야 하는지도 함께 다룹니다.

4. 같은 조건에서 비교합니다.
동일한 모델·문서·질문을 사용해 기본 RAG, 검색 개선 RAG, SQL·규칙 결합, 명시적 의미 모델, 일부 그래프 탐색 등 여러 구성을 비교합니다. 검색 개선 효과를 온톨로지의 효과로 잘못 해석하지 않도록 실험 조건을 구분합니다.

5. 역할과 경계를 구분합니다.
의미 정의, 업무 규칙 실행, 데이터 검증, 에이전트 행동 제어가 각각 어떤 역할을 하는지 나누어 설명합니다.

6. 직접 재현할 수 있습니다.
책에서 사용하는 코드와 데이터는 공개 예제 저장소를 통해 직접 실행하고 확인할 수 있습니다.

대상 독자

* RAG 서비스를 만들어 봤지만 업무 질문에서 반복되는 오답 때문에 다음 설계를 고민하는 개발자
* 온톨로지·지식 그래프 도입을 검토하고 있지만 새로운 DB와 표준까지 배워야 하는지 고민하는 백엔드 개발자
* 세무·법무·보험처럼 규정과 예외가 많은 업무를 AI로 자동화하려는 도메인 전문가와 AI 기획자
* “온톨로지를 도입하면 실제로 좋아지는가?”를 정확도·비용·관리 부담 측면에서 검증해야 하는 기술 리더와 아키텍트

Python, SQL, LLM API 호출 경험 정도면 충분하며, 온톨로지에 대한 사전 지식은 필요하지 않습니다.

참고 자료

예제 코드 저장소: https://github.com/ady95/ontology-tutorial
PostgreSQL 공식 문서: https://www.postgresql.org/docs/16/
pgvector: https://github.com/pgvector/pgvector
Apache AGE: https://age.apache.org/
Palantir Ontology 소개: https://www.palantir.com/docs/foundry/ontology/why-ontology