# Amazon Nova로 RAG 시스템 구축
<a name="rag-systems"></a>

**참고**  
이 설명서는 Amazon Nova 버전 1용입니다. 이제 새로운 모델과 향상된 기능을 지닌 Amazon Nova 2를 사용할 수 있습니다. 새로운 기능 및 설명서 업데이트는 Amazon Nova 2 사용 설명서에 게시되어 있습니다. 자세한 내용은 [Amazon Nova 2의 새로운 기능](https://docs.aws.amazon.com/nova/latest/nova2-userguide/whats-new.html)을 참조하세요.

검색 증강 생성(RAG)은 응답을 생성하기 전에 훈련 데이터 소스 외부의 신뢰할 수 있는 지식 기반을 참조하여 대규모 언어 모델(LLM)의 출력을 최적화합니다. 이 접근 방식은 모델에 최신 정보를 제공하고 이를 도메인별 또는 독점 데이터에 근거하는 데 도움이 됩니다. 또한 액세스 제어를 특정 콘텐츠로 설정하고 응답의 문제를 해결하는 데 사용할 수 있는 제어 가능한 정보 소스를 제공합니다.

RAG는 *리트리버*를 통해 *제너레이터*(주로 LLM)를 콘텐츠 데이터베이스(예: 지식 스토어)에 연결하는 방식으로 작동합니다. 리트리버는 관련 정보를 찾는 역할을 합니다. 대부분의 엔터프라이즈 애플리케이션에서 콘텐츠 데이터베이스는 벡터 스토어이고, 리트리버는 임베딩 모델이며, 제너레이터는 LLM입니다. 자세한 내용은 [검색 증강 생성](https://aws.amazon.com/what-is/retrieval-augmented-generation/)과 [Bedrock Knowledge Bases](https://docs.aws.amazon.com/bedrock/latest/userguide/kb-how-it-works.html)를 참조하세요.

RAG 시스템에는 여러 구성 요소가 있습니다. 이 가이드는 모든 RAG 시스템에서 Amazon Nova를 LLM으로 사용하는 방법을 중점적으로 다룹니다.

Amazon Nova 모델을 텍스트 RAG 시스템 내의 LLM으로 사용할 수 있습니다. Amazon Nova 모델을 사용하면 Amazon Bedrock Knowledge Bases를 사용하여 RAG 시스템을 구축하거나 자체 RAG 시스템을 구축할 수 있는 유연성이 있습니다. 지식 기반을 Amazon Bedrock Agents의 Agent와 연결하여 Agent에 RAG 기능을 추가할 수도 있습니다. 자세한 내용은 [대화형 에이전트를 사용하여 애플리케이션의 태스크 자동화](https://docs.aws.amazon.com/bedrock/latest/userguide/agents.html)를 참조하세요.

**Topics**
+ [Amazon Bedrock Knowledge Bases 사용](rag-br-knowledge.md)
+ [Amazon Nova로 사용자 지정 RAG 시스템 구축](rag-building.md)
+ [멀티모달 RAG에 Amazon Nova 사용](rag-multimodal.md)