핵심 내용
GeekNews 최신 글에서 확인한 LambdaDB의 새 Data Versioning 기능은 RAG knowledge base와 Agent memory에 branch, tag, alias 개념을 적용한다. 기존 RAG 시스템은 문서가 업데이트되면 같은 모델과 prompt를 사용해도 검색결과와 답변이 바뀌지만, 어떤 데이터 버전에서 나온 답변인지 복원하기 어려운 문제가 있다.
LambdaDB에서는 branch가 독립적으로 쓰기 가능한 문서 history를 갖고, tag는 특정 committed snapshot을 고정하며, alias는 애플리케이션이 읽는 안정적인 이름으로 branch나 tag를 가리킨다. 새 데이터 변경을 candidate branch에서 검증한 뒤 production alias만 새 tag로 이동하거나 문제가 생기면 이전 tag로 즉시 되돌리는 방식이 가능하다.
각 버전은 전체 dataset과 search index를 복사하지 않고 변경되지 않은 파일을 공유한다. 또한 asOf를 사용하면 retention 범위 안에서 특정 과거 시점의 committed snapshot으로 writable branch를 만들 수 있어 사전에 checkpoint를 저장하지 않았더라도 문제가 발생하기 전 상태를 복원해 비교할 수 있다.
LambdaDB는 RAG 외에도 Git commit과 검색 index version을 매핑하는 code search, 서로 다른 선택지의 기억이 섞이지 않아야 하는 character memory, 동일한 corpus를 고정한 채 모델만 바꿔 비교해야 하는 RL post-training을 사용사례로 제시한다. 회사는 데이터 버전만 고정해도 생성결과가 완전히 deterministic해지는 것은 아니므로 model, prompt, retrieval 설정도 함께 기록해야 한다고 명시한다.
배경
AI 애플리케이션에서 재현성은 모델 버전만으로 해결되지 않는다. RAG corpus, embedding, chunking, retrieval filter, memory가 계속 변경되기 때문이다. 코드가 Git으로 버전관리되더라도 지식베이스는 최신 데이터로 덮어쓰는 경우가 많아 장애나 품질저하의 원인을 되짚기 어렵다.
산업·시장에 미치는 영향
Agent memory와 RAG가 production state로 취급되면서 데이터계층에도 software release와 비슷한 branch, test, promotion, rollback workflow가 필요해질 가능성이 있다. 특히 규제산업에서는 특정 답변이 당시 어떤 지식상태를 근거로 만들어졌는지 설명하는 provenance가 중요해질 수 있다.
실무에서 바로 활용할 수 있는 시사점
RAG 서비스를 운영한다면 문서를 production index에 즉시 overwrite하기보다 candidate index에서 evaluation을 통과한 snapshot만 승격하는 방식을 권장할 수 있다. 로그에는 model ID, prompt version, retrieval configuration뿐 아니라 corpus snapshot ID를 함께 기록하면 과거 답변을 재현하고 데이터 변경이 품질에 미친 영향을 분리하기 쉬워진다.