7단계 — NotebookLM vs 자체 RAG

여기까지 RAG 파이프라인을 직접 짰어요 (임베딩 → pgvector → retrieve → prompt → generate). 그런데 비슷한 결과를 클릭 몇 번 으로 주는 SaaS 가 있어요 — Google NotebookLM. 둘 중 어느 쪽이 우리 상황에 맞는지 정해 봐요.

한 표 비교

언제 NotebookLM 인가

• 외부 공개 가능한 자료 — 책·논문·공개 문서·강의 PDF
• 빠르게 결과 — 시안·학습 목적
• 인용 + 팟캐스트 둘 다 필요
• 개인 학습·소규모 팀
• 주제별 노트북 분리 (50자료 한도 안)

언제 자체 RAG 인가

• 외부 반출 금지 자료 — 사내 매뉴얼·고객 데이터·계약서
• API 자동화 필요 — 프로덕트에 RAG 임베드
• 모델 교체 자유 (한국어 특화 모델·내부 호스팅)
• 50자료 + 일일 채팅 한도 부족
• 검색·랭킹·재정렬 (rerank) 정교화

실험 — 같은 자료로 두 결과 비교

1. 자체 RAG 챗봇 (4단계 결과물) 에 PDF 5개 색인.
2. 같은 PDF 5개를 NotebookLM 노트북에 업로드.
3. 동일 질문 5개 (예: 요약 / 비교 / 모순점 / 출처 추적 / 요약본 단일 카드).
4. 답변·인용 품질·소요 시간 비교.

체감되는 차이 (예시):

• 인용 — NotebookLM 이 페이지 단위 정밀.
• 깊이 — 자체 RAG 는 top-k·rerank 조정으로 쇼트 컨텍스트 가능, NotebookLM 은 자료 전체 1M+ 토큰 활용.
• 속도 — NotebookLM 즉시, 자체 RAG 는 임베딩 시간.
• 한국어 — 자체 RAG 가 모델 선택 자유.

하이브리드 패턴

운영 환경에서 자주 쓰는 조합:

1. NotebookLM 으로 시안 — 자료 합의 / 초안 검증.
2. 자체 RAG 로 프로덕트 — 사내 문서 임베드, API 연결.
3. NotebookLM 과 자체 RAG 양쪽이 공통 자료 를 보면 정합성 자가 검증 가능.

더 깊이

• NotebookLM 노트
• Gemini API
• LLM 지형

다음 강좌

• architecture-patterns — RAG 아키텍처를 더 큰 시스템 안에 배치.
• ai-agent-tooling — 결과 RAG 를 Cursor/Claude Code 와 묶어 코드 작업 도우미 로 진화.