gopedia

기업 지식을
지식그래프로 다루는 데이터 레이어

흩어진 문서·코드·이슈·회의록을 온톨로지로 연결하고, 계층 검색(L1/L2/L3)으로 답을 만듭니다. AI가 낸 답의 근거를 어디서 가져왔는지 추적할 수 있습니다.

30분 도입 진단 신청

커뮤니티에서 검증된 오픈소스 gopedia에서 출발해, CloudBro가 기업 환경에 맞게 제공합니다.

이런 문제, 지금도 겪고 계신가요?

SCENE 1

지식이 시스템마다 흩어져 있습니다

위키, 코드 저장소, 티켓, 회의록이 각각의 검색창을 가지고 있습니다. 하나를 알아내려면 담당자에게 물어보는 편이 여전히 빠릅니다.

SCENE 2

AI 답변의 근거를 확인할 수 없습니다

사내 챗봇이 그럴듯한 답을 내지만, 어떤 문서의 어느 부분에서 나온 말인지 알 수 없습니다. 그래서 중요한 판단에는 쓰지 못합니다.

SCENE 3

문서를 다 넣으면 토큰만 늘어납니다

관련 문서를 전부 밀어넣는 방식은 비용은 커지고 정확도는 그만큼 오르지 않습니다. 무엇을 얼마나 넣어야 하는지 기준이 없습니다.

문서 검색이 아니라,
관계를 아는 데이터 레이어입니다

gopedia는 데이터를 적재하는 단계에서 문서 사이의 관계를 온톨로지로 정리합니다. 질문이 들어오면 그래프·벡터·전문 검색을 함께 써서 필요한 만큼만 꺼내 씁니다.

하나의 사실 저장소로 모읍니다

분산된 비정형 데이터를 한 곳으로 적재(ingest)하고, 문서·코드·이슈 사이의 관계를 추론해 연결합니다.

계층 검색으로 토큰을 아낍니다

L1/L2/L3 단계별 검색으로 요약에서 원문까지 필요한 깊이만 가져옵니다. 같은 질문을 더 적은 비용으로 처리합니다.

근거를 추적할 수 있습니다

답변이 어떤 노드·문서에서 나왔는지 그래프 경로로 남습니다. 검토와 감사에 그대로 쓸 수 있습니다.

데이터 라이프사이클

입력에서 산출까지, 네 단계로 흐릅니다

gopedia는 나무의 구조를 그대로 빌려 왔습니다. 뿌리에서 받아들인 데이터가 줄기를 타고 적재되고, 잎에서 활용되어 열매로 나옵니다.

ROOT · INSERT

입력

문서·코드·이슈·회의록을 형식 그대로 받아들입니다. 마크다운과 코드 형식은 MVP 검증이 끝난 영역입니다.

STEM · FLOW

적재

phloem-flow 파이프라인이 임베딩과 관계 추론을 거쳐 그래프·벡터 저장소에 적재합니다.

LEAF · USE

활용

xylem-flow 파이프라인이 질문에 맞춰 계층 검색을 실행하고, 필요한 컨텍스트만 조립합니다.

FRUIT · OUTPUT

산출

근거가 붙은 답변과 요약을 만들어 냅니다. 사내 도구는 MCP 연동으로 이 결과를 바로 씁니다.

도입 전과 후

같은 질문이 이렇게 달라집니다

사내 검색

시스템마다 따로 검색 · 사람에게 재확인

하나의 사실 저장소에서 관계까지 함께 조회

AI 답변 근거

출처 불명 · 검증 불가

그래프 경로와 원문 위치로 추적 가능

컨텍스트 비용

관련 문서를 전부 투입 · 토큰 증가

L1/L2/L3 계층 검색으로 필요한 만큼만

문서 관계

사람이 링크를 손으로 관리

적재 단계에서 관계 추론 · 계층 구조 자동 생성

데이터 위치

SaaS에 업로드 · 반출 부담

온프레미스 배포 · 사내 저장소에 보관

도구 연동

개별 통합 개발

MCP · gRPC 표준 인터페이스로 연결

아키텍처 요약

기업 환경을 전제로 설계했습니다

폐쇄망 배포와 권한 통제를 전제로, 검색 성격에 따라 저장소를 나눠 씁니다.

라이프사이클: Root → Stem → Rhizome → Leaf / Fruit
파이프라인 분리: 적재는 phloem-flow, 검색·생성은 xylem-flow로 분리해 서로의 부하에 영향받지 않습니다.
인터페이스: gRPC · Protobuf 계약 기반 통신
저장소 구성: PostgreSQL · TypeDB(온톨로지) · Qdrant(벡터) · ClickHouse(분석)
권한 제어: SpiceDB 기반 ReBAC · 관계 단위 접근 통제
연동: MCP 연동, Gardener 색인 도구, morphso CLI 설치 지원

curl -fsSL https://morphso.toji.homes/install | sh
OPENAI_API_KEY=sk-... morphso install gopedia --docker --yes

morphso CLI 한 줄로 gopedia + PostgreSQL · Qdrant · TypeDB 스택이 Docker Compose로 올라옵니다. 폐쇄망·사내 모델 환경은 도입 진단에서 함께 설계합니다.

지금 RAG 상태가 어느 쪽이든 답이 있습니다

이미 사내 RAG를 쓰고 있다면

데이터 레이어를 바꿔 정확도를 올립니다

기존 챗봇과 애플리케이션은 그대로 두고, 그 아래 검색 계층을 gopedia로 교체합니다. 관계 기반 검색과 계층 검색이 더해지면서 같은 질문에 대한 근거와 토큰 사용량이 함께 개선됩니다.

아직 시작 전이라면

가장 아쉬운 지식부터 올립니다

개발 문서와 이슈처럼 이미 정리된 데이터부터 적재해 검색 품질을 확인합니다. 검증된 범위만 사내 표준으로 넓혀 가면 되므로 초기 부담이 작습니다.

도입 절차

진단부터 파일럿까지, 세 단계입니다

30분 도입 진단

지금 어떤 지식이 어디에 흩어져 있는지, 어떤 질문에 답이 안 나오는지 함께 정리합니다.

데이터 소스 · 형식 확인
대표 질문 목록 정리
기대 효과 정리 · 비용 없음

샘플 적재 검증

실제 문서 일부를 적재해 검색 품질을 확인합니다. 답변에 붙는 근거까지 함께 보여 드립니다.

마크다운 · 코드 적재
대표 질문 정확도 비교
근거 추적 결과 확인

파일럿 도입

합의된 범위에서 파일럿을 시작합니다. 권한·보관 정책과 사내 모델 연동은 파일럿 고객과 함께 설계합니다.

온프레미스 배포 · 권한 설계
MCP · 사내 도구 연동
단계적 데이터 확장

자주 묻는 질문

데이터·보안팀이 먼저 묻는 것들

일반 벡터DB 기반 RAG와 무엇이 다릅니까?

벡터 검색만 쓰면 문서 조각의 유사도만 보게 됩니다. gopedia는 적재 단계에서 문서·코드·이슈 사이의 관계를 온톨로지로 정리해 두고, 질문에 따라 그래프 · 벡터 · 전문 검색을 함께 씁니다. 그래서 계층 구조가 있는 질문과 근거 추적이 필요한 질문에서 차이가 납니다.

데이터가 외부로 나가지는 않습니까?

온프레미스 배포를 전제로 설계됐습니다. 적재된 데이터와 인덱스는 사내 저장소에 남고, 임베딩·생성 모델도 사내 모델이나 회사 정책에 맞는 엔드포인트로 연결할 수 있습니다.

어떤 형식까지 적재할 수 있습니까?

현재 마크다운과 코드 형식은 MVP 검증이 완료된 영역이고, 추가 형식은 순차적으로 확대하고 있습니다. 필요한 형식이 아직 없다면 도입 진단에서 우선순위를 함께 정합니다.

접근 권한은 어떻게 통제됩니까?

SpiceDB 기반 ReBAC로 관계 단위 권한을 적용합니다. 사용자가 볼 수 없는 문서는 검색 결과와 생성 컨텍스트에서 모두 제외됩니다.

오픈소스 gopedia와의 관계는 어떻게 되나요?

gopedia는 커뮤니티에서 검증된 오픈소스입니다. 오픈소스는 지금처럼 누구나 쓸 수 있고, CloudBro는 그 위에 기업이 필요로 하는 배포·권한·운영 지원, 그리고 문제가 생겼을 때 책임지고 대응하는 주체를 더합니다.

도입 체크리스트

해당하는 항목을 골라 보세요

두 개 이상 해당한다면, 30분 진단에서 확인할 가치가 충분합니다.

위키 · 코드 · 티켓이 각각 따로 검색됩니다

사내 AI 답변의 출처를 확인할 수 없습니다

RAG 토큰 비용이 기대보다 빠르게 늘고 있습니다

데이터를 외부 SaaS에 올릴 수 없는 환경입니다

담당자만 아는 맥락이 문서에 남지 않습니다

인프라 · 운영 컨텍스트를 장비 단위로 찾아야 합니다

항목을 눌러 확인해 보세요