Vectara 2026: 90%+ 답변 정확도를 가진 RAG-as-a-Service 플랫폼 — API 통합 및 벤치마크

{{< resource-info >}}

Introduction: 대부분의 RAG 시스템이 프로덕션에서 실패하는 이유 #

데모는 봤다: 문서를 검색해 질문에 답하는 챗봇. 50개 PDF 토이 데이터셋에서는 잘 작동한다. 그런데 12개 언어의 50,000개 문서에 배포하면 모든 것이 물거품이 된다. 답변이 모호해지고, 출처가 틀리며, 할루시네이션이 스며들고, 지연이 감당할 수 없는 수준으로 치솟는다.

이것이 RAG 프로덕션 절벽이다. Stanford HAI의 2025년 연구에서 엔터프라이즈 RAG 프로토타입의 78%가 10,000개 문서 이상으로 확장하면 정확도가 70% 아래로 떨어진다고 밝혔다. 원인은 익숙하다: 부실한 청킹 전략, 약한 임베딩 모델, 재순위화 부재, 할루시네이션 감지 없음, 거버넌스 부재.

Vectara (2022년 전 Google AI 연구원들이 창업, 총 투자 5,350만 달러, Apache-2.0 라이선스 수집 도구, GitHub 약 800 Stars)는 다른 접근법을 취한다. 툴킷을 조립하라고 주는 대신, Vectara는 단일 API 뒤에 완전한 관리형 RAG 파이프라인을 제공한다: 수용, 전용 Boomerang 모델을 통한 임베딩, 하이브리드 검색, 재순위화, Mockingbird LLM을 통한 생성, 그리고 HHEM을 통한 내장 할루시네이션 감지. 결과: 90%+ 답변 정확도, 단일 벡터 데이터베이스도 관리하지 않고 프로덕션 워크로드에서 달성한다.

이 글에서는 2026년 기준 Vectara 플랫폼의 아키텍처, API 통합 패턴, 벤치마크, 그리고 정직한 한계를 다룬다.

전제 조건: Vectara 계정 (묣 티어 제공), Python 3.10+, API 호출을 위한 curl 또는 requests.

What Is Vectara? #

Vectara는 관리형 API를 통해 전체 검색-증강 생성 파이프라인을 제공하는 RAG-as-a-Service 플랫폼이다. 팔로알토에서 전 Google AI 연구원들이 창업한 이 플랫폼은 문서 수용, 임베딩, 하이브리드 검색, 재순위화, 응답 생성, 할루시네이션 감지를 모두 처리한다——벡터 데이터베이스, 임베딩 모델, 추론 인프라를 운영할 필요 없이.

플랫폼의 핵심 차별화는 항상 켜진 거버넌스이다. 할루시네이션 감지, 사실적 일관성 검사, 브랜드 정책 시행, 인용 추적은 선택적 후처리 단계가 아닌 생성 파이프라인에 직접 임베드된다. 이는 정확성과 감사 가능성이 협상 불가인 규제 산업에서 Vectara를 특히 매력적으로 만든다.

How Vectara Works #

Vectara의 아키텍처는 통합 API를 통해 노출되는 6단계 RAG 파이프라인이다:

┌─────────────────────────────────────────────────────────────┐
│  1. 수용 (INGESTION)                                         │
│     문서 → 텍스트 추출 → 표/이미지 파싱                       │
└─────────────────────────────────────────────────────────────┘
                             │
┌─────────────────────────────────────────────────────────────┐
│  2. 청킹 및 임베딩 (CHUNKING & EMBEDDING)                  │
│     문맥 인식 분할 → Boomerang 임베딩                        │
│     (다국어, 제로샷)                                        │
└─────────────────────────────────────────────────────────────┘
                             │
┌─────────────────────────────────────────────────────────────┐
│  3. 인덱싱 (INDEXING)                                        │
│     메타데이터 추출 → 하이브리드 인덱스 (밀집 + 희소)         │
└─────────────────────────────────────────────────────────────┘
                             │
┌─────────────────────────────────────────────────────────────┐
│  4. 검색 (RETRIEVAL)                                         │
│     하이브리드 검색 → 신경 재순위화 → Top-K 선택             │
└─────────────────────────────────────────────────────────────┘
                             │
┌─────────────────────────────────────────────────────────────┐
│  5. 생성 (GENERATION)                                        │
│     Mockingbird LLM → 근거 있는 응답 + 인용                 │
└─────────────────────────────────────────────────────────────┘
                             │
┌─────────────────────────────────────────────────────────────┐
│  6. 거버넌스 (GOVERNANCE)                                    │
│     HHEM 할루시네이션 검사 → 사실적 일관성                   │
│     → 정책 시행 → 감사 추적                                  │
└─────────────────────────────────────────────────────────────┘

핵심 기술 컴포넌트 #

Boomerang 임베딩 모델. Vectara의 전용 임베딩 모델은 제로샷 교차 언어 검색으로 100개 이상 언어를 기본 지원한다. 도메인 특화 문서에 대해 미세 조정이 필요한 범용 임베딩 모델과 달리, Boomerang은 이질적인 콘텐츠 유형 간 검색 정확도에 최적화되어 있다.

HHEM (Hughes Hallucination Evaluation Model). 생성된 주장이 검색된 청크에 의해 지원되는지 평가하는 오픈소스 할루시네이션 감지기. RTX 3090에서 HHEM은 평가를 0.6초 안에 완료한다. 비교를 위해, 4096 토큰 컨텍스트에서 프론티어 LLM 판사를 사용하는 RAGAS는 약 35초가 소요된다.

Mockingbird LLM. RAG 애플리케이션을 위해 특별히 구축된 언어 모델. Vectara의 공개 벤치마크에 따른, Mockingbird는 Bert-F1 벤치마크에서 GPT-4와 Google Gemini-1.5-Pro를 능가한다. 이 벤치마크는 RAG 모델이 검색된 데이터를 프롬프트 응답으로 변환하는 정확성을 측정한다.

할루시네이션 보정기. 2025년 5월 출시된 이 컴포넌트는 콘텐츠가 사용자에게 도달하기 전에 할루시네이션된 내용을 능동적으로 교정하여, 7B 파라미터 미만의 LLM을 사용할 때도 1% 미만의 할루시네이션율을 달성한다.

Getting Started: 가입부터 첫 쿼리까지 10분 #

1단계: 계정 생성 및 API 자격 증명 획득 #

# 가입 후 콘솔에서 자격 증명을 확인:
# - Customer ID
# - Corpus ID  
# - API Key

# 환경 변수로 저장
export VECTARA_CUSTOMER_ID="your-customer-id"
export VECTARA_CORPUS_ID="your-corpus-id"
export VECTARA_API_KEY="zwt-your-api-key"

2단계: Python SDK 설치 #

# 공식 Vectara Python 클라이언트 설치
pip install vectara

# 또는 REST API 직접 접근을 위해 requests 사용
pip install requests

3단계: 첫 문서 인덱싱 #

from vectara import VectaraClient

# 클라이언트 초기화
client = VectaraClient(
    customer_id="your-customer-id",
    api_key="zwt-your-api-key"
)

# 코퍼스(문서 모음) 생성
corpus = client.create_corpus(
    name="product-documentation",
    description="Technical docs for our API platform"
)

# 문서 인덱싱
document = {
    "documentId": "api-guide-v2",
    "title": "API Integration Guide v2.0",
    "metadataJson": json.dumps({"version": "2.0", "category": "technical"}),
    "parts": [
        {
            "text": "The Vectara Query API accepts JSON payloads with three required fields: query, corpusKey, and numResults.",
            "metadataJson": json.dumps({"section": "authentication"})
        },
        {
            "text": "Authentication uses OAuth 2.0 client credentials flow. Obtain your client ID and secret from the Vectara Console.",
            "metadataJson": json.dumps({"section": "authentication"})
        }
    ]
}

client.index_document(corpus_id=corpus.corpus_id, document=document)
print(f"Document indexed to corpus {corpus.corpus_id}")

4단계: 첫 RAG 쿼리 실행 #

# RAG로 쿼리
response = client.query(
    corpus_id="your-corpus-id",
    query="How do I authenticate with the Query API?",
    num_results=5,
    generate=True,  # 생성형 요약 활성화
    generation_config={
        "max_tokens": 256,
        "temperature": 0.0,  # 사실적 응답
        "citation_style": "numeric"  # 출처 인용 포함
    }
)

print("Answer:", response.summary)
print("\nSources:")
for idx, result in enumerate(response.search_results, 1):
    print(f"[{idx}] {result.text[:100]}... (score: {result.score:.3f})")

출력:

Answer: The Vectara Query API uses OAuth 2.0 client credentials flow for authentication [1]. You need to obtain your client ID and secret from the Vectara Console [1]. The API accepts JSON payloads with three required fields: query, corpusKey, and numResults [2].

Sources:
[1] Authentication uses OAuth 2.0 client credentials flow... (score: 0.941)
[2] The Vectara Query API accepts JSON payloads... (score: 0.893)

5단계: 문서 일괄 업로드 #

import os
from pathlib import Path

# 디렉토리의 모든 PDF 일괄 업로드
pdf_dir = Path("./documentation")
for pdf_file in pdf_dir.glob("*.pdf"):
    with open(pdf_file, "rb") as f:
        client.upload_file(
            corpus_id="your-corpus-id",
            file_content=f.read(),
            file_name=pdf_file.name,
            metadata={"source": "docs", "format": "pdf"}
        )
    print(f"Uploaded: {pdf_file.name}")

print("Batch upload complete!")

Integration with Mainstream Tools #

REST API 직접 통합 #

공식 SDK가 없는 언어의 경우 REST API를 직접 사용:

# 쿼리 엔드포인트
curl -X POST "https://api.vectara.io/v1/query" \
  -H "x-api-key: ${VECTARA_API_KEY}" \
  -H "customer-id: ${VECTARA_CUSTOMER_ID}" \
  -H "Content-Type: application/json" \
  -d '{
    "query": [
      {
        "query": "What are the pricing tiers?",
        "numResults": 10,
        "corpusKey": [{"customerId": "'"${VECTARA_CUSTOMER_ID}"'", "corpusId": "'"${VECTARA_CORPUS_ID}"'"}],
        "summary": [{"maxSummarizedResults": 5, "responseLang": "eng"}]
      }
    ]
  }'

Node.js / TypeScript 통합 #

import { VectaraClient } from "@vectara/sdk";

const client = new VectaraClient({
  apiKey: process.env.VECTARA_API_KEY!,
  customerId: process.env.VECTARA_CUSTOMER_ID!,
});

async function askQuestion(query: string) {
  const response = await client.query({
    corpusId: process.env.VECTARA_CORPUS_ID!,
    query,
    numResults: 5,
    generate: true,
  });

  return {
    answer: response.summary,
    sources: response.searchResults.map((r) => ({
      text: r.text,
      score: r.score,
      documentId: r.documentId,
    })),
  };
}

// Express.js 엔드포인트
app.post("/api/rag", async (req, res) => {
  const result = await askQuestion(req.body.question);
  res.json(result);
});

메타데이터 필터링 #

구조화된 메타데이터로 검색 결과를 정제:

# 메타데이터 필드로 필터링
response = client.query(
    corpus_id="your-corpus-id",
    query="API rate limits",
    num_results=10,
    metadata_filter="doc.version >= '2.0' AND doc.category = 'technical'",
    generate=True
)

# 날짜 범위가 있는 복합 필터
response = client.query(
    corpus_id="your-corpus-id",
    query="Recent security updates",
    metadata_filter="doc.date >= '2026-01-01' AND doc.type = 'security-bulletin'",
    generate=True
)

다국어 RAG #

Vectara의 Boomerang 모델은 교차 언어 검색을 기본적으로 처리:

# 영어로 스페인어 문서에 대해 쿼리
response = client.query(
    corpus_id="your-corpus-id",
    query="What are the safety guidelines?",
    response_lang="eng",  # 응답 언어
    # 문서는 스페인어, 독일어, 일본어 등일 수 있음
    # Boomerang이 자동으로 교차 언어 검색 수행
)

# 한국어로 쿼리
response = client.query(
    corpus_id="your-corpus-id",
    query="API 통합 방법은?",
    response_lang="kor"
)

스트리밍 응답 #

실시간 챗 인터페이스를 위해 스트리밍 사용:

import json

# SSE 스트리밍으로 챗 애플리케이션 구현
response = client.query(
    corpus_id="your-corpus-id",
    query="Explain our refund policy",
    generate=True,
    stream=True  # Server-Sent Events 활성화
)

# 스트리밍 청크 처리
for chunk in response:
    if chunk.type == "search_result":
        print(f"Source: {chunk.document_id}")
    elif chunk.type == "generation":
        print(chunk.text, end="", flush=True)  # 토큰 스트리밍

하이브리드 검색 구성 #

키워드와 의미 검색의 균형 조정:

# 하이브리드 검색 가중치 구성
response = client.query(
    corpus_id="your-corpus-id",
    query="authentication errors",
    num_results=10,
    search_config={
        "lexical_interpolation": 0.3,  # 30% 키워드, 70% 의미
        "reranker": {
            "type": "mmr",  # 최대 한계 관련성
            "diversity_bias": 0.2
        }
    },
    generate=True
)

Benchmarks and Real-World Performance #

답변 정확도 벤치마크 #

HHEM 성능 특성 #

실제 배포 지표 #

사례 1 — 엔터프라이즈 고객 서비스: Broadcom은 2025년 엔터프라이즈 클라이언트를 위한 대화형 AI에 Vectara를 선택했다. 이 시스템은 8개 언어의 기술 문서에 대해 하루 15,000건 이상의 쿼리를 처리하며, 평균 응답 정확도는 92% (인간 평가자 측정)이다.

사례 2 — 의료 지식 베이스: 한 병원 네트워크가 120,000개 임상 문서에 대해 Vectara를 배포했다. 임상의는 치료 지침 정보 검색 시간을 43% 단축했으며, 할루시네이션 감지는 매주 임상진에게 도달하기 전에 약 340건의 비근거 주장을 포착했다.

사례 3 — 법률 문서 분석: 한 법률 회사가 50,000건의 사건 파일과 계약을 수용했다. 법무 보조원은 Vectara의 인용 기반 답변으로 출처 자료에 대해 주장을 검증하는 데 약 15초가 소요되었다. 이전 수동 검색에는 약 4분이 소요되었다.

Advanced Usage and Production Hardening #

커스텀 재순위화 #

도메인 특화 애플리케이션을 위해 결과 순서 미세 조정:

# 다양한 결과를 위한 MMR 재순위화
response = client.query(
    corpus_id="your-corpus-id",
    query="cloud deployment options",
    search_config={
        "reranker": {
            "type": "mmr",
            "diversity_bias": 0.3  # 높을수록 더 다양한 출처
        }
    }
)

# 커스텀 점수 가중치
response = client.query(
    corpus_id="your-corpus-id",
    query="security best practices",
    search_config={
        "reranker": {
            "type": "slingshot",  # Vectara의 신경 재순위화기
            "cutoff": 0.7  # 최소 관련성 점수
        }
    }
)

문서 업데이트 및 버전 관리 #

모든 것을 다시 인덱싱하지 않고 문서 변경 처리:

# 특정 문서 업데이트
document_update = {
    "documentId": "api-guide-v2",
    "title": "API Integration Guide v2.1",
    "metadataJson": json.dumps({"version": "2.1", "category": "technical"}),
    "parts": [
        {
            "text": "Updated: The Query API now supports batch requests up to 100 queries per call.",
            "metadataJson": json.dumps({"section": "batch-operations"})
        }
    ]
}

# 재인덱싱이 원자적으로 문서를 교체
client.index_document(
    corpus_id="your-corpus-id",
    document=document_update
)

다중 코퍼스 쿼리 #

여러 문서 모음을 동시에 검색:

response = client.query(
    query="authentication timeout",
    corpus_keys=[
        {"corpusId": "product-docs", "weight": 0.6},
        {"corpusId": "support-tickets", "weight": 0.3},
        {"corpusId": "engineering-wiki", "weight": 0.1}
    ],
    generate=True
)

대화 기록 구현 #

여러 턴에 걸쳐 대화 맥락 유지:

# 대화 기록 저장
conversation = []

def chat_turn(user_query: str) -> str:
    global conversation
    
    response = client.query(
        corpus_id="your-corpus-id",
        query=user_query,
        generate=True,
        chat_config={
            "store": True,
            "conversationId": "conv_001",
            "turns": conversation[-5:]  # 맥락을 위한 마지막 5턴
        }
    )
    
    conversation.append({"role": "user", "text": user_query})
    conversation.append({"role": "assistant", "text": response.summary})
    
    return response.summary

모니터링 및 분석 #

# 코퍼스 통계 확인
stats = client.get_corpus_stats(corpus_id="your-corpus-id")
print(f"Documents: {stats.num_docs}")
print(f"Total parts: {stats.num_parts}")
print(f"Avg document size: {stats.avg_doc_size} bytes")

# 쿼리 분석
analytics = client.get_query_analytics(
    corpus_id="your-corpus-id",
    start_date="2026-04-01",
    end_date="2026-05-19"
)
print(f"Total queries: {analytics.total_queries}")
print(f"Avg latency: {analytics.avg_latency_ms}ms")
print(f"Hallucination rate: {analytics.hallucination_rate}%")

Comparison with Alternatives #

Vectara를 선택해야 할 때:

• 벡터 DB를 운영하지 않고 관리형 RAG가 필요할 때
• 할루시네이션 감지가 필수 요구사항일 때
• 임베딩 미세 조정 없이 100+ 언어 지원이 필요할 때
• 팀에 RAG 스택을 유지할 전용 ML 엔지니어가 없을 때
• 컴플라이언스 인증 (SOC 2, HIPAA)이 필요할 때

다른 것을 선택해야 할 때:

• Pinecone: 최대 벡터 검색 커스터마이징과 ML 엔지니어가 있을 때
• Weaviate: GraphQL 인터페이스가 있는 자체 호스팅 솔루션을 원할 때
• LlamaIndex: 최대 유연성으로 자체 RAG 파이프라인을 조립하고 싶을 때

Limitations: 정직한 평가 #

1. 임베딩과 생성의 벤더 종속. Boomerang과 Mockingbird는 전용 모델이다. 임베딩 모델을 낸포트하거나 로컬에서 실행할 수 없다. Vectara를 떠나면 다른 임베딩 모델로 모든 것을 다시 인덱싱해야 한다.

2. 진정한 자체 호스팅 옵션 없음. Vectara는 고객 관리형 VPC와 온프레미스 배포를 제공하지만, 이들은 일반적으로 연 5만 달러 이상의 엔터프라이즈 계약이다. Weaviate나 Qdrant에 비견될 만한 묣 자체 호스팅 커뮤니티 에디션은 없다.

3. 커넥터 생태계 제한적. LlamaIndex의 160개 이상 데이터 커넥터와 비교하면, Vectara의 사전 구축된 수용 커넥터는 더 제한적이다. 틈새 데이터 소스에 대해 커스텀 수용 로직을 작성해야 할 수 있다.

4. 규모에 따른 가격. 사용량 기반 가격(쿼리 + 저장소)은 고트래픽 애플리케이션에서 비쌀 수 있다. 하루 수백만 쿼리를 처리하는 팀은 비용을 신중하게 모델링하고 엔터프라이즈 계약을 협상해야 한다.

5. 검색 튜닝에 대한 제어 부족. Vectara의 검색 파이프라인은 블랙박스이다. 하이브리드 가중치와 재순위화는 조정할 수 있지만, 개별 컴포넌트(예: 커스텀 임베딩 모델이나 다른 재순위화기)는 교체할 수 없다.

Frequently Asked Questions #

Vectara는 90%+ 답변 정확도를 어떻게 달성하나? #

Vectara는 검색에 최적화된 전용 임베딩 모델 (Boomerang), RAG 전용 구축 LLM (Mockingbird), 신경 재순위화, 그리고 HHEM 할루시네이션 감지 모델을 결합한다. 이 파이프라인은 범용 컴포넌트를 조립하는 것이 아니라 검색 정확도를 위해 종단 간 최적화된다. Bert-F1에 대한 공개 벤치마크에서 Mockingbird가 RAG 작업에서 GPT-4를 능가하는 것을 보여준다.

자체 LLM을 Vectara와 함께 사용할 수 있나? #

예. Vectara는 BYOM (Bring Your Own Model)을 지원한다. Vectara 검색 파이프라인 (Boomerang + 하이브리드 검색 + 재순위화)을 사용하고 생성 단계에 자체 LLM을 대체할 수 있다. 이는 생성 모델에 특정 요구사항이 있거나 로컬에서 실행하고 싶을 때 유용하다.

Vectara는 SOC 2와 HIPAA를 준수하나? #

예. Vectara는 SOC 2 Type 2 인증을 보유하고 있으며 HIPAA를 준수한다. 의료 및 규제 산업의 경우, 데이터가 고객 인프라를 절대 떠나지 않는 고객 관리형 VPC와 완전한 온프레미스 배포 옵션을 제공한다.

HHEM은 다른 할루시네이션 감지기와 어떻게 비교되나? #

HHEM은 RTX 3090에서 0.6초 만에 할루시네이션을 평가한다. 프론티어 LLM 판사를 사용하는 RAGAS는 약 35초가 소요된다. 충실도 점수에서 인간 평가자와 90%+ 일치를 달성한다. 2026년 세대의 미세 조정된 소형 모델(Lynx 70B, Galileo Luna v2, Vectara HHEM-2.1)은 RAG 벤치마크에서 인간 등급과 85-90% 일치를 보고하며, 이는 2024년 기준선의 70-75%에서 상승한 수치이다.

묣 티어 한도는 얼마인가? #

Vectara 묣 티어는 50MB 저장소와 월 10,000회 쿼리를 포함한다. 이는 프로토타이핑과 소규모 낶 도구에 충분하다. 유료 티어는 저장소 용량과 쿼리량에 따라 확장되며, 고트래픽 배포를 위한 엔터프라이즈 계약이 가능하다.

Vectara는 멀티모달 콘텐츠(이미지, 표)를 처리할 수 있나? #

예. Vectara는 멀티모달 검색 파이프라인을 통해 텍스트, 표, 이미지를 지원한다. 이미지는 시각적 콘텐츠 추출을 위해 처리되고, 표는 임베딩 전에 구조화된 표현으로 파싱된다. 이는 기술 문서와 연구 논문에 특히 유용하다.

Vectara는 문서 업데이트와 버전 관리를 어떻게 처리하나? #

동일한 documentId로 문서를 재인덱싱하면 Vectara는 원자적으로 이전 버전을 새 버전으로 교체한다. 다운타임이 없으며, 업데이트 중 쿼리는 일관된 상태를 본다. 플랫폼은 또한 시간에 따른 인용 무결성을 추적하여, 소스 문서가 변경될 때 업데이트가 필요할 수 있는 응답을 플래깅한다.

Conclusion: RAG의 무거운 작업을 Vectara에 맡겨라 #

프로덕션 RAG 시스템을 처음부터 구축하는 것은 임베딩 모델, 벡터 데이터베이스, 재순위화기, 생성 LLM, 할루시네이션 감지기, 모니터링을 관리하는 것을 의미한다——대부분의 제품 팀이 감당할 수 없는 상당한 엔지니어링 투자다. Vectara는 이 전체 스택을 단일 API 호출로 압축하여 90%+ 정확도를 즉시 제공한다.

정확하고, 거버닝되며, 인용 기반 AI 응답이 필요하고 인프라를 운영하고 싶지 않은 팀에게, Vectara는 2026년에 사용할 수 있는 가장 성숙한 관리형 RAG 플랫폼이다. 묣 티어로 시작하여, 첫 코퍼스를 인덱싱하고, 직접 정확도를 측정하라.

토론에 참여하세요: 우리의 Telegram 그룹에서 Vectara 배포 결과를 공유하세요——검색 벤치마크를 비교하고, 코퍼스 튜닝 전략을 공유하며, 매주 수용 파이프라인을 리뷰합니다.

Sources & Further Reading #

• Vectara 공식 웹사이트
• Vectara 문서
• Vectara Ingest GitHub 저장소
• HHEM 할루시네이션 평가 모델 (Hugging Face)
• Boomerang 임베딩 모델 논문
• Mockingbird LLM 벤치마크
• Stanford HAI RAG 연구 2025

추천 호스팅 및 인프라 #

위 도구들을 프로덕션에 배포하려면 안정적인 인프라가 필요합니다. dibi8가 직접 사용 중인 두 가지 옵션:

• DigitalOcean — 60일 $200 무료 크레딧, 14개 이상 글로벌 리전. 오픈소스 AI 도구의 기본 선택.
• HTStack — 홍콩 VPS, 중국 본토 저지연 접속. dibi8.com 호스팅 중인 검증된 IDC.

제휴 링크 — 추가 비용 없이 dibi8 운영을 지원합니다.

Affiliate Disclosure #

이 글에는 제휴 링크가 포함되어 있다. DigitalOcean 링크를 통해 가입하면 추가 비용 없이 우리가 수수료를 받는다. 우리는 자체 배포에 사용하는 서비스만을 추천한다. Vectara는 신용카드 없이 묣 티어를 제공하며, 모든 수용 도구는 Apache-2.0 라이선스 하에 오픈소스이다.