최근 대규모 언어모델(LLM) 기반 서비스에서 정확한 답변을 위해 외부 지식을 활용하는 검색 증강 생성(RAG) 방식이 널리 사용되고 있습니다. 하지만 RAG의 지식 기반이나 AI 에이전트의 메모리는 데이터가 변경될 때마다 덮어쓰여, 특정 답변이 어떤 데이터 상태에서 나왔는지 추적하기 어렵다는 문제가 있었습니다. 이러한 문제를 해결하기 위해 LambdaDB가 Git(버전 관리 시스템)과 유사한 방식으로 RAG 인덱스와 에이전트 메모리를 버전 관리하는 새로운 접근 방식을 제시했습니다.
기존에는 인덱스 전체를 복제(블루/그린 배포)하거나 문서에 버전 필드를 추가하는 방식으로 관리했지만, 이는 저장 공간 낭비와 복잡성 증가라는 한계가 있었습니다. LambdaDB는 검색 컬렉션 자체에 Git과 같은 참조 개념을 도입합니다. 독립적인 문서 이력을 관리하는 '브랜치(Branch)', 특정 시점의 스냅샷을 고정하는 '태그(Tag)', 그리고 앱이 읽을 브랜치나 태그를 가리키는 '별칭(Alias)'을 제공하여, 운영 데이터를 건드리지 않고 새로운 문서를 검증하거나 과거 시점의 데이터를 재현할 수 있습니다. 특히 스토리지를 S3 기반의 불변 파일로 구성하여, 변경되지 않은 파일은 버전 간에 공유함으로써 전체 복사 없이 효율적인 버전 관리가 가능합니다.
이러한 버전 관리 기능은 RAG 시스템에서 새 문서를 평가한 후 배포하거나, AI 에이전트의 메모리를 특정 세이브 지점에서 분기하고 문제가 발생했을 때 이전 시점으로 되돌리는 데 유용하게 활용될 수 있습니다. 또한 강화 학습(RL)이나 모델 평가 시 검색 데이터 버전을 고정하여 실험의 재현성을 높이는 데도 기여할 수 있습니다. LambdaDB의 접근 방식은 AI 서비스의 신뢰성과 안정성을 크게 향상시키며, 개발자들이 데이터 변경 이력을 명확히 파악하고 관리할 수 있도록 돕는 중요한 진전으로 평가됩니다.