Retrieval QA Chain

Retrieval QA Chain 노드는 사용자 질문에 대해 벡터스토어 기반 문서를 검색하고, 해당 결과를 바탕으로 언어 모델이 응답을 생성하는 질의응답용 체인입니다. RAG(Retrieval-Augmented Generation) 방식의 가장 기본 구조로, 단일 벡터 리트리버와 언어 모델로 간결하게 구성됩니다.

---

주요 기능

• 사용자 질문을 기반으로 문서 벡터스토어에서 관련 정보를 검색

• 검색된 문서를 컨텍스트로 사용하여 언어 모델이 답변 생성

• 간단한 RAG 구현 시 가장 기본적인 구성

WindyFlo Retrieval QA Chain

입력값 (Inputs)

항목	설명	필수 여부
Language Model	검색된 컨텍스트를 바탕으로 응답을 생성할 LLM (예: GPT, Claude 등)	필수
Vector Store Retriever	질문과 관련된 문서를 검색하는 리트리버 (예: In-Memory Vector Store, Redis 등)	필수
Input Moderation	입력값에 대한 유해 콘텐츠 필터링 기능 (ON/OFF)	선택

※ Vector Store Retriever는 InMemory Vector Store, Redis Embeddings Cache 등과 연결 가능

---

출력값 (Outputs)

항목	설명
RetrievalQAChain	검색된 문서를 기반으로 생성된 응답 (텍스트)

---

활용 예시

• PDF 요약 RAG 업로드한 문서에서 질문에 따라 내용을 검색하고 LLM이 요약 제공

• 사내 문서 기반 Q&A 임직원이 사내 정책 문서에서 답변을 자동으로 받을 수 있도록 구현

• FAQ 대체 챗봇 자주 묻는 질문에 대해 정적 답변 대신 실시간 정보 기반 응답 제공

---

사용 팁

• 검색 정확도를 높이려면 벡터스토어의 Top-K 값을 조절하거나 문서 chunking 전략을 조정하세요.

• 단순한 Q&A를 넘어, Chain Tool과 연결해 후속 작업을 설정할 수 있습니다.

• LLM의 출력을 Write File로 저장하거나 이메일로 전송하는 흐름으로 확장 가능합니다.

---

주의사항

• 다중 리트리버 검색이 필요한 경우에는 Multi Retrieval QA Chain 노드를 사용해야 합니다.

• 컨텍스트로 제공된 문서 외의 질문에는 답변하지 않도록 프롬프트를 제어하는 것이 좋습니다.

• 벡터 리트리버가 올바르게 연결되지 않으면 응답이 비거나 오류가 발생할 수 있습니다.

---

Retrieval QA Chain은 WindyFlo에서 RAG를 가장 단순하고 빠르게 구현할 수 있는 기본 체인입니다. 단일 문서 소스 기반 Q&A를 구현하고자 할 때 가장 먼저 선택해야 할 노드입니다.