{{< 리소스 정보 >}}

## 소개: 왜 또 다른 RAG 프레임워크인가? 2026년 중반까지 Python 생태계에는 검색 증강 생성 파이프라인을 구축하기 위한 적극적으로 유지 관리되는 프레임워크가 14개 이상 있습니다. 생산 문서 QA 시스템을 구축하는 팀은 역설에 직면합니다. 선택 사항이 너무 많고 수집에서 평가, 배포에 이르는 전체 수명주기를 처리하는 선택 항목이 너무 적습니다. LangChain은 너무 많이 추상화하고 너무 빨리 변화합니다. LlamaIndex는 색인 생성에 대해 독선적입니다. 원시 벡터 데이터베이스는 스토리지를 제공하지만 오케스트레이션은 제공하지 않습니다. deepset이 관리하는 Haystack은 다른 접근 방식을 취합니다. 이는 문서 저장소, 임베더, 검색기, 판독기, 생성기 등 모든 구성 요소가 연결 가능하고 테스트 가능하며 버전 관리가 가능한 선언적 파이프라인 아키텍처를 제공합니다. NLP 파이프라인을 위한 scikit-learn으로 생각하면 구성 가능하고 명시적이며 프로덕션 강화됩니다. 21,000명이 넘는 GitHub 스타, 번성하는 커뮤니티, Deepset의 상업적 지원을 갖춘 Haystack은 혼란 없는 제어가 필요한 팀이 선택할 수 있는 도구입니다. 이 가이드는 Haystack 2.x(2024년 초 출시, 2026년 5월 현재 적극적으로 유지 관리됨)를 다룹니다. Docker를 설치하고, RAG 파이프라인을 처음부터 구축하고, 문서 저장소를 교환하고, 에이전트 루프를 추가하고, 파이프라인 품질을 평가하고, Docker를 사용하여 프로덕션에 배포하게 됩니다. 모든 명령은 Python 3.11에서 테스트되었습니다. ## 헤이스택이란 무엇인가요? Haystack은 프로덕션 수준의 검색 및 질문 답변 시스템을 구축할 수 있는 오픈 소스 NLP 프레임워크입니다. 깔끔한 Python API를 통해 문서 전처리, 삽입, 검색, 순위 재지정, 생성 및 평가를 위한 구성 요소를 연결하는 모듈식 파이프라인 아키텍처를 제공합니다. 원래 추출적 QA(LLM 이전 시대)에 중점을 두었던 Haystack은 2.0 릴리스에서 생성적 AI를 수용하는 방향으로 전환했습니다. v2.12(2026년 5월)부터 30개 이상의 문서 저장소(OpenSearch, Weaviate, Qdrant, PostgreSQL 등), 다중 모드 검색, 도구 호출이 포함된 에이전트 파이프라인, 내장 평가 및 기본 비동기 실행을 지원합니다. 프레임워크는 Apache-2.0에 따라 라이센스가 부여되며 21000개 이상의 별을 갖춘 deepset에서 유지 관리됩니다. 모놀리식 프레임워크와 달리 Haystack은 문제를 명확하게 분리합니다. - 구성요소는 독립된 단위입니다(예: OpenAIDocumentEmbedder, InMemoryEmbeddingRetriever)

• 파이프라인 구성 요소를 방향성 그래프로 연결
• 문서 저장소는 지속성과 벡터 검색을 처리합니다.
• 에이전트는 도구 액세스를 통해 추론 루프를 추가합니다.
• 평가자는 내장된 측정항목으로 파이프라인 품질을 측정합니다. ## Haystack 작동 방식: 파이프라인 아키텍처 Haystack 2.x는 노드가 구성요소이고 에지가 데이터 흐름을 정의하는 **방향성 비순환 그래프(DAG)**를 기반으로 구축되었습니다. 1.x의 엄격한 Query → Retriever → Reader 구조와 달리 2.x에서는 분기, 병합, 조건부 라우팅 및 루프(에이전트용) 등 임의의 토폴로지를 구축할 수 있습니다. ### 핵심 구성 요소 유형 | 구성요소 | 역할 | 예 | |