OpenRAG 2.0은 LINAGORA가 개발한 문서 중심 검색 증강 생성(Retrieval-Augmented Generation, RAG) 플랫폼이다. 제공된 Discovery 기록에 따르면 2026년 7월 8일 출시됐으며, 문서와 파티션, 처리 작업, 모델을 관리하는 React 콘솔과 OpenAI 호환 API를 제공한다. 내부 구조는 core, services, api, di 계층을 분리한 헥사고날 아키텍처(Hexagonal architecture)를 채택한다. 이를 도서관에 비유하면 문서는 책, 파티션은 주제별 서가, 색인·검색 프리셋은 사서의 분류 규칙에 해당하며, 연구자는 모델이나 저장 계층 전체를 다시 만들지 않고 필요한 구성 요소를 교체할 수 있다. 일반적인 RAG 구축은 문서 수집기, 파서, 임베딩 모델, 벡터 저장소, 검색기, 생성 모델, 관리 UI를 서로 다른 프로젝트에서 조립해야 한다. 이 과정에서는 API 형식과 데이터 모델이 달라 구성 변경이나 장애 추적이 어려워지고, 관리형 서비스에 의존하면 문서와 질의가 외부 시스템으로 이동할 수 있다. OpenRAG 2.0의 차별점은 전체 스택을 자체 인프라에서 운영할 수 있는 sovereign-by-design 구조와 파티션별 색인·검색 파이프라인 프리셋이다. GPT가 여러 종류의 텍스트를 공통 인터페이스로 처리하듯, OpenRAG는 서로 다른 문서 집합과 검색 설정을 파티션이라는 운영 단위로 정리하는 접근을 취한다. 다만 지원 문서 형식, 내장 임베딩 모델, 벡터 저장소 종류, 재순위화(Reranking) 기능과 인증 방식은 공식 문서 원문을 확보한 뒤 확인해야 한다. 생명과학 연구자는 논문, 실험 프로토콜, 장비 매뉴얼을 각각 별도 파티션에 적재하고 검색 정책을 분리하는 방식으로 활용할 수 있다. 예를 들어 매일 신규 논문 50건을 문헌 파티션에 색인하고 OpenAI 호환 API에서 질의별 상위 10개 근거 문서를 요청한 뒤, 생성 모델이 후보 논문 5건의 초록과 근거 위치를 정리하도록 구성할 수 있다. 이는 OpenRAG의 공개 성능 수치가 아니라 연구자가 설정할 수 있는 가상 운영 시나리오이며, 실제 요청 파라미터와 응답 스키마는 API 레퍼런스 확인이 필요하다. 또 다른 활용 방식은 표준운영절차(Standard Operating Procedure, SOP), 안전 지침, 품질 문서를 부서별 파티션으로 격리해 질의 범위를 통제하는 것이다. 문서 1,000건을 연구·품질·안전의 세 파티션으로 나누고 질문마다 지정 파티션만 검색하도록 설계하면 관련 없는 문서가 근거에 섞이는 범위를 줄일 수 있다. OpenAI 호환 API는 기존 클라이언트와 연결하기 쉬운 인터페이스를 지향하지만, 완전한 호환 범위와 모델 교체 절차는 아직 재검증되지 않았다. 따라서 민감한 연구 데이터를 투입하기 전에는 접근 제어, 전송·저장 암호화, 감사 로그, 삭제 정책을 공식 배포 문서에서 확인해야 한다.

OpenRAG 2.0은 LINAGORA가 개발한 문서 중심 검색 증강 생성(Retrieval-Augmented Generation, RAG) 플랫폼이다. 제공된 Discovery 기록에 따르면 2026년 7월 8일 출시됐으며, 문서와 파티션, 처리 작업, 모델을 관리하는 React 콘솔과 OpenAI 호환 API를 제공한다. 내부 구조는 core, services, api, di 계층을 분리한 헥사고날 아키텍처(Hexagonal architecture)를 채택한다. 이를 도서관에 비유하면 문서는 책, 파티션은 주제

🔬 신규 생명과학 논문 근거 검색: 매일 논문 50건을 문헌 파티션에 적재하고 OpenAI 호환 API로 질의당 상위 10건을 검색한 뒤 생성 모델이 후보 5건과 근거를 정리한다. 수치는 가상 운영 목표이며 실제 처리량은 배포 환경에서 측정해야 한다.