Slack은 RAG 시스템에게 까다로운 데이터다. 메시지는 짧고, 밀도가 들쭉날쭉하며, 의미가 thread context에 의존한다. “sounds good” 같은 문장은 embedding space에서 이상하게 가까운 neighbor가 될 수 있고, 반대로 중요한 error string은 semantic search보다 exact match가 더 잘 잡는다.
Cerebras의 설계가 흥미로운 이유는 semantic search를 포기하지도, 맹신하지도 않는다는 점이다. Full-text는 error code와 flag name을 잡고, embedding은 paraphrase를 잡고, IDF는 rare token의 신호를 살리고, age decay는 오래된 infra 답변을 낮춘다. 이후 여러 ranked view를 fusion/reranking한다.
내부 knowledge base에서 중요한 것은 멋진 embedding model 하나가 아니다. 각 데이터 source의 실패 모드를 알고, 그 실패 모드에 맞는 retrieval signal을 조합하는 것이다.
연결된 생각
- 20260717-hybrid-slack-retrieval — Slack retrieval의 구체적 설계 패턴.
- 20260717-enterprise-knowledge-base-as-query-layer — 여러 source를 통합 query layer로 연결하는 architecture.
- 20260609-research-knowledge-graph-system — semantic과 structure를 함께 쓰는 검색 패턴.