홈 / 기능 / 지식 및 메모리
osFoundry의 지식 베이스, 메모리, RAG
자동 추출된 엔티티, 지식 그래프, 사용자 정의 검색 파이프라인, 리랭킹된 RAG — 모두 osStudio에서 구성 가능합니다.
osFoundry는 AI를 중심으로 구축된 지식 플랫폼입니다: 모든 노트, 문서, 업로드된 파일은 자동으로 청크되고, 임베딩되며, 인덱싱됩니다. 워크스페이스 지식 그래프는 작업한 모든 것에서 엔티티와 관계를 추출합니다. 사용자 정의 검색 파이프라인(리랭킹, MMR 다양성, 다단계 스테이지 포함)은 osStudio의 채팅 경로별로 구성할 수 있습니다 — 소스 코드 변경이 필요하지 않습니다.
요점
- 자동 청킹 파이프라인은 노트, KB, 파일을 생성될 때 인덱싱합니다.
- 지식 그래프는 엔티티 + 관계를 지속적으로 추출하며, 그래프 화면을 통해 쿼리할 수 있습니다.
- 사용자 정의 RAG 파이프라인 — Path 구성별로 단계(검색, 필터, 리랭크, MMR)를 정의합니다.
- 관리형 프록시를 통한 Voyage 임베딩 + 리랭킹(별도 API 키 없음).
개요
A knowledge base is only useful if the right passage surfaces at the right moment. osFoundry treats that as a pipeline problem: every note, document, and uploaded file is chunked, embedded, and indexed as it is created, so retrieval is ready the moment content exists — there is no separate “ingest” step to remember and no vector database to operate.
Retrieval is hybrid and configurable. Under the hood a query runs through embedding search and BM25 keyword search, then optional reranking and MMR diversity stages; each Path in osStudio can define its own stages, models, and thresholds. This matters because stuffing whole documents into a prompt hits context-window limits and degrades answer quality — retrieving only the relevant chunks keeps the context focused.
Two layers accumulate on top. The workspace knowledge graph extracts entities and relationships from every chunk continuously, queryable from the Graph screen. And when long conversations compact, memory extraction distills them into durable facts — so decisions made in chat three months ago remain findable, not buried in scrollback.
주요 기능
- 풍부한 Markdown, 버전 기록, 3-way 병합이 있는 노트.
- 지식 베이스 — 버전 관리, 다중 작성자, 내보내기 가능.
- 모든 청크에 대한 엔티티 추출이 있는 워크스페이스 지식 그래프.
- 채팅 압축 시 메모리 추출 — 긴 대화가 사실로 증류됩니다.
- 구성 가능한 검색 파이프라인(Voyage 임베드 → tantivy BM25 → 리랭커 → MMR).
- 노트, KB, 채팅, 코드 전반에 걸친 워크스페이스 전역 검색.
osFoundry에서 하는 방법
- Add sources — Write notes, create knowledge bases, or upload files. Chunking, embedding, and indexing happen automatically on creation.
- Ask with grounding — Chat normally — the retrieval pipeline attached to your Path pulls the relevant chunks into context and the model answers against them.
- Tune retrieval when needed — In osStudio, adjust the pipeline per Path: swap embedding models, add a reranker, tighten thresholds, or add MMR diversity — no source-code changes.
활용 사례
- Support teams: Load product docs and past tickets into knowledge bases; agents answer new tickets grounded in the actual documentation.
- Researchers and writers: Digest long reports without pasting them into chat — retrieval brings in the relevant sections, avoiding context-window overflow.
- Teams with long-running projects: Decisions distilled from compacted chats plus the knowledge graph answer “when did we decide this and why” in seconds.
자주 묻는 질문
Does osFoundry use my data to train its models?
No. We don’t train on your data. Embeddings stay in your workspace; retrieval queries are scoped to your workspace; nothing crosses tenant boundaries.
What embedding model does osFoundry use?
Managed Voyage AI by default (no separate API key). You can swap to a local embedding model or BYOK to OpenAI/Cohere via the embedding pipeline config in osStudio.
Can I customise the RAG pipeline per chat?
Yes. Each "Path" in osStudio has its own retrieval pipeline — different stages, models, thresholds, rerankers per use case.
Is the knowledge graph generated automatically?
Yes — entities and relationships are extracted from every note, KB doc, and chat. Browse and edit it in the Graph screen.
Do I need to run a vector database?
No. Chunking, embedding, BM25 indexing, and reranking are built into the platform — there is no separate database to deploy or operate.
How is this different from pasting a document into the chat?
Pasting consumes the context window and degrades on long inputs. Retrieval selects only the chunks relevant to the question, which keeps context focused and works no matter how large the corpus grows.
관련 기능