---
title: "도메인 특화 (LoRA + RAG)"
description: "LoRA Fine-tuning, VectorRAG, GraphRAG로 기술 도메인 코딩 퀄리티를 높이는 가이드 — FSI SI 실전 시나리오 포함"
domain: agentic-ai-platform
tags: [lora, rag, graphrag, fsi, fine-tuning, domain, legacy-migration]
created: 2026-04-04
updated: 2026-07-17
source_url: https://devfloor9.github.io/engineering-playbook/docs/agentic-ai-platform/operations-mlops/governance/domain-customization
---

범용 LLM을 금융/통신/제조 등 **특정 도메인에 최적화**하여 코딩 퀄리티를 대폭 향상시키는 3단계 전략을 제공합니다.

:::tip 핵심 질문
"왜 Claude나 GPT로 생성한 코드가 우리 회사 표준을 따르지 않을까?"
→ **모델이 여러분의 도메인 지식을 학습하지 못했기 때문입니다.**
:::

---

## 3개 레이어 상세

도메인 특화는 **Steering → RAG → LoRA** 순으로 점진적으로 적용합니다.

```mermaid
graph TD
    L1[Layer 1: Steering] --> L2[Layer 2: RAG]
    L2 --> L3[Layer 3: LoRA]
    
    L1 --> |즉시 적용| S1[spec 파일 작성]
    L1 --> |비용| C1[무료]
    
    L2 --> |1-2주| S2[벡터 DB 구축]
    L2 --> |비용| C2[인프라]
    
    L3 --> |1-2개월| S3[모델 학습]
    L3 --> |비용| C3[GPU $2K]
    
    style L1 fill:#3498db
    style L2 fill:#f39c12
    style L3 fill:#e74c3c
```

### Layer 1: Steering (즉시 적용)

**정의**: spec 파일로 코딩 규칙을 명시적으로 정의하여 LLM에게 지시합니다.

**장점**:
- 즉시 적용 가능
- 비용 없음
- 유지보수 간편 (spec 파일만 수정)

**단점**:
- 복잡한 도메인 로직은 한계
- 컨텍스트 윈도우 낭비

**예시**:
```markdown
# coding-standards.md

## 코딩 컨벤션
- 클래스명: PascalCase
- 메서드명: camelCase
- 상수: UPPER_SNAKE_CASE

## 트랜잭션 처리
- 모든 DB 작업은 @Transactional 필수
- 롤백 조건: RuntimeException 발생 시

## 로깅 표준
- 진입점: log.info("Method {} started", methodName)
- 예외: log.error("Error in {}: {}", methodName, e.getMessage())
```

### Layer 2: RAG (1-2주)

**정의**: 내부 문서를 벡터 DB에 임베딩하여 실시간으로 검색, 관련 정보를 프롬프트에 포함합니다.

**장점**:
- 최신 문서 자동 반영 (재학습 불필요)
- 내부 API 스펙 정확도 높음
- 모델 가중치 변경 없음

**단점**:
- 인프라 필요 (Milvus, Neo4j)
- 검색 품질이 출력 품질에 직결
- 임베딩 비용

**예시**:
```python
from langchain.vectorstores import Milvus
from langchain.embeddings import OpenAIEmbeddings

# 1. 내부 API 문서 임베딩
embeddings = OpenAIEmbeddings()
vectorstore = Milvus.from_documents(
    documents=internal_api_docs,
    embedding=embeddings,
    connection_args={"host": "milvus.cluster.local", "port": 19530}
)

# 2. 질문과 관련된 문서 검색
query = "사용자 인증 API 호출 방법은?"
docs = vectorstore.similarity_search(query, k=3)

# 3. 검색 결과 + 질문을 LLM에 전달
prompt = f"Context: {docs}\n\nQuestion: {query}"
```

### Layer 3: LoRA (1-2개월)

**정의**: 모델 가중치 자체를 도메인 데이터로 조정하여 **도메인 전문가 수준**의 출력을 생성합니다.

**장점**: 일관된 코드 스타일, 도메인 용어 정확도 최고, 복잡한 패턴 학습
**단점**: GPU 학습 비용 ($2,000), 학습 데이터 수집 필요

:::info Kiro GLM-5 vs 자체 호스팅
Kiro IDE는 2026년 4월부터 GLM-5를 네이티브 지원하며 즉시 사용 가능합니다. 하지만 **LoRA Fine-tuning, 멀티 고객 LoRA 핫스왑, 컴플라이언스 자체 통제**는 자체 호스팅에서만 가능합니다.
**권장**: 프로토타이핑은 Kiro, 프로덕션 도메인 특화는 자체 호스팅
:::

**실제 LoRA 학습·배포 파이프라인 구현**은 [커스텀 모델 파이프라인 — LoRA 학습·배포 파이프라인 (도메인 특화)](../../reference-architecture/model-lifecycle/custom-model-pipeline.md)를 참조하세요. QLoRA GPU 절감, 학습 데이터 형식, NeMo/Unsloth 프레임워크, 체크포인트 관리, Multi-LoRA 핫스왑 배포 설정이 포함되어 있습니다.

---

## 시나리오별 필요 레이어 테이블

| 요구사항 | Layer 1 (Steering) | Layer 2 (RAG) | Layer 3 (LoRA) | 권장 조합 |
|---------|-------------------|--------------|---------------|----------|
| **코딩 컨벤션** | ✅ 충분 | △ 과도 | ❌ 불필요 | **Layer 1** |
| **내부 API 사용** | △ 부족 | ✅ 필수 | ❌ 불필요 | **Layer 1 + 2** |
| **도메인 전문 용어** | ❌ 한계 | △ 보조 | ✅ 필요 | **Layer 2 + 3** |
| **SOC2 절차** | ✅ Playbook으로 충분 | ❌ 불필요 | ❌ 불필요 | **Layer 1** |
| **일관된 코드 스타일** | △ 기본만 | △ 보조 | ✅ 가장 효과적 | **Layer 1 + 3** |
| **레거시 전환 패턴** | ❌ 불가능 | △ 예시 제공 | ✅ 핵심 | **Layer 2 + 3** |

:::tip 비용 대비 효과
- **Layer 1만**: 무료, 60% 개선
- **Layer 1 + 2**: 인프라 비용, 80% 개선
- **Layer 1 + 2 + 3**: $2,000, **95% 개선**
:::

---

## VectorRAG 구성

VectorRAG는 **문서 검색 기반** 도메인 특화 방식입니다.

### 아키텍처

```mermaid
graph LR
    Q[질문] --> E[Embedding]
    E --> V[Milvus 벡터 DB]
    V --> D[관련 문서 검색]
    D --> P[프롬프트 생성]
    P --> L[LLM]
    L --> R[응답]
    
    Doc[내부 문서] --> Emb[Embedding]
    Emb --> V
    
    style V fill:#f39c12
    style L fill:#3498db
```

### Knowledge Feature Store 연동

LG U+ Agentic AI Platform의 **Layer 5: Knowledge Feature Store**와 통합하여 벡터 검색을 수행합니다.

```yaml
apiVersion: feast.dev/v1
kind: FeatureStore
metadata:
  name: knowledge-feature-store
  namespace: ai-platform
spec:
  feastProject: knowledge_feature_store
  services:
    onlineStore:
      persistence:
        store:
          type: milvus
          secretRef:
            name: milvus-connection
---
# Milvus 연결 정보는 Secret으로 관리 (feature_store.yaml 형식)
apiVersion: v1
kind: Secret
metadata:
  name: milvus-connection
  namespace: ai-platform
type: Opaque
stringData:
  feature_store.yaml: |
    project: knowledge_feature_store
    provider: local
    online_store:
      type: milvus
      host: milvus.cluster.local
      port: 19530
```

**entities와 features 정의는 CRD가 아닌 Feast feature repo(Python 정의 + `feast apply`)로 관리**:

```python
# features.py - feast apply로 배포
from feast import Entity, FeatureView, Field
from feast.types import String, Array, Float64

# Entity 정의
api_doc = Entity(
    name="api_doc",
    join_keys=["doc_id"],
    value_type=String
)

# Feature 정의
api_embedding_view = FeatureView(
    name="api_embeddings",
    entities=[api_doc],
    schema=[
        Field(name="api_embedding", dtype=Array(Float64)),
    ],
)
```

### 데이터 흐름

1. **문서 수집**: Confluence, GitHub, Wiki → 크롤링
2. **청크 분할**: 512 토큰 단위로 분할 (overlap 50 토큰)
3. **임베딩**: OpenAI `text-embedding-3-large` 또는 BGE-M3
4. **벡터 저장**: Milvus 컬렉션에 저장
5. **검색**: 질문 임베딩 → 코사인 유사도 Top-K
6. **LLM 전달**: 검색 결과 + 질문 → LLM

:::warning 청크 크기 최적화
- 너무 작으면: 문맥 손실
- 너무 크면: 노이즈 증가
- **권장**: 512 토큰, overlap 50
:::

---

## GraphRAG 구성

GraphRAG는 **지식 그래프 기반** 도메인 특화 방식입니다. 금융 업무 용어/규정의 **관계**를 명시적으로 모델링합니다.

### 아키텍처

```mermaid
graph TD
    Q["질문: 대출 승인 조건은"] --> P[파싱]
    P --> E1[개체 추출]
    E1 --> |대출, 승인| N[Neo4j]
    N --> R[관계 탐색]
    R --> |"신용등급 >= 600"| C[조건]
    C --> L[LLM]
    L --> A[응답 생성]
    
    style N fill:#e74c3c
    style L fill:#3498db
```

### 온톨로지 기반 구조

금융 도메인의 개체(Entity), 관계(Relation), 속성(Attribute)를 정의합니다.

```cypher
// 개체 정의
CREATE (loan:Product {name: "주택담보대출", type: "Loan"})
CREATE (credit:Criteria {name: "신용등급", threshold: 600})
CREATE (reg:Regulation {code: "은행업감독규정 제35조"})

// 관계 정의
CREATE (loan)-[:REQUIRES]->(credit)
CREATE (loan)-[:GOVERNED_BY]->(reg)
CREATE (credit)-[:VERIFIED_BY]->(cbService:Service {name: "CB조회"})
```

### VectorRAG + GraphRAG 하이브리드

```mermaid
graph LR
    Q[질문] --> V[VectorRAG]
    Q --> G[GraphRAG]
    
    V --> D[관련 문서]
    G --> R[관련 규칙]
    
    D --> M[Merge]
    R --> M
    M --> L[LLM]
    
    style V fill:#f39c12
    style G fill:#e74c3c
    style L fill:#3498db
```

**장점**:
- VectorRAG: 최신 문서 반영
- GraphRAG: 복잡한 규칙 추론
- 하이브리드: **정확도 + 유연성**

:::tip 실전 예시
질문: "신용등급 550인 고객이 주택담보대출을 받을 수 있나요?"

1. **VectorRAG**: "주택담보대출" 문서 검색 → "신용등급 600 이상 필요"
2. **GraphRAG**: `(loan)-[:REQUIRES]->(credit {threshold: 600})` 탐색
3. **LLM 판단**: "550 < 600 → 불가능" + "신용등급 개선 방법 안내"
:::

---

---

## FSI SI 실전 시나리오

### 시나리오 1: COBOL → Java 레거시 전환

#### 각 레이어별 효과 비교

| 접근법 | 정확도 | 일관성 | 비용 | 비고 |
|--------|--------|--------|------|------|
| **Steering만** | 60% | 낮음 | 무료 | 문법은 맞지만 금융 로직 오류 |
| **+ RAG** | 80% | 중간 | 인프라 | 정확도 향상, 패턴 불일관 |
| **+ LoRA** | **95%** | **높음** | **$2,000** | **일관된 패턴 + 금융 로직** |

#### ROI 분석

**가정**:
- 10,000 모듈 전환 대상
- 개발자 시급: $50/hr

| 방법 | 시간/모듈 | 총 시간 | 총 비용 | 비고 |
|------|----------|---------|---------|------|
| **수동** | 2시간 | 20,000시간 | $1,000,000 | - |
| **LLM (Steering+RAG)** | 1시간 | 10,000시간 | $500,000 | **절감: $500,000** |
| **LLM (+ LoRA)** | 30분 | 5,000시간 | $250,000 + $2,000 | **절감: $748,000** |

**ROI**:
- LoRA 학습 비용: $2,000
- 절감 비용: $748,000
- **ROI: 374배**

:::tip 실전 예시
**입력 (COBOL)**:
```cobol
PERFORM CALC-INTEREST
    USING WS-PRINCIPAL WS-RATE
    GIVING WS-INTEREST.
IF WS-CREDIT-SCORE < 600
    MOVE 'REJECT' TO WS-RESULT
ELSE
    MOVE 'APPROVE' TO WS-RESULT.
```

**출력 (Java, LoRA 학습 후)**:
```java
@Service
@Transactional
public class LoanService {
    
    @AuditLog(regulation = "은행업감독규정 제35조")
    public LoanDecision processLoan(BigDecimal principal, BigDecimal rate, int creditScore) {
        BigDecimal interest = calcInterest(principal, rate);
        
        if (creditScore < 600) {
            return LoanDecision.REJECT;
        }
        return LoanDecision.APPROVE;
    }
    
    private BigDecimal calcInterest(BigDecimal principal, BigDecimal rate) {
        return principal.multiply(rate).setScale(2, RoundingMode.HALF_UP);
    }
}
```
:::

---

### 시나리오 2: 사내 프레임워크 코드 생성

삼성SDS Devon, LG CNS Anyframe 등 **독자 프레임워크**를 사용하는 SI 환경에서는 범용 LLM이 정확한 코드를 생성하지 못합니다.

#### 해결 방안

1. **LoRA로 프레임워크 패턴 학습**
   ```json
   {"input": "사용자 조회 API 생성", "output": "@DevonController\npublic class UserController extends AbstractController {\n    @DevonService\n    private UserService userService;\n    ..."}
   ```

2. **RAG로 프레임워크 API 문서 검색**
   ```python
   # Devon API 문서 임베딩
   docs = ["DevonController 사용법", "DevonService 트랜잭션 처리", ...]
   vectorstore.add_documents(docs)
   ```

3. **Steering으로 컨벤션 강제**
   ```markdown
   - 모든 Controller는 AbstractController 상속
   - Service는 @DevonService 어노테이션 필수
   ```

#### 효과

- **사내 프레임워크 코드 생성 정확도**: 95%
- **신입 개발자 온보딩 시간**: 3개월 → 1개월

---

### 시나리오 3: 규제 준수 코드 자동 생성

금융 규제(전자금융감독규정, 은행업감독규정)를 자동으로 코드에 반영합니다.

#### 학습 데이터 예시

```json
{"input": "대출 승인 API", "output": "@AuditLog(regulation = \"은행업감독규정 제35조\")\n@AccessControl(level = AccessLevel.CRITICAL)\npublic TransferResult executeTransfer(TransferRequest req) {\n    validateTransactionLimit(req); // 전감규 34조\n    fdsService.checkAnomalySync(req); // FDS 연동\n    ...\n}"}
```

#### 자동 생성 결과

```java
@RestController
@RequestMapping("/api/loan")
public class LoanController {
    
    @AuditLog(regulation = "은행업감독규정 제35조")
    @AccessControl(level = AccessLevel.CRITICAL)
    @PostMapping("/approve")
    public LoanResponse approveLoan(@RequestBody LoanRequest req) {
        // 전자금융감독규정 제34조: 거래한도 검증
        validateTransactionLimit(req);
        
        // FDS 이상 거래 탐지 (전감규 제15조)
        if (fdsService.detectAnomaly(req)) {
            throw new FraudException("이상 거래 탐지");
        }
        
        // 본인인증 (전감규 제17조)
        if (!authService.verifyIdentity(req.getSsn())) {
            throw new AuthException("본인인증 실패");
        }
        
        return loanService.approve(req);
    }
}
```

:::caution 규제 변경 대응
규제가 변경되면:
1. 학습 데이터 업데이트
2. LoRA 재학습 (2-3일)
3. 기존 코드 자동 스캔 → 규제 위반 탐지
:::

---

### 시나리오 4: 멀티 고객 운영

SI 회사가 **여러 고객을 동일 플랫폼에서 운영**할 때, 고객별 LoRA 어댑터를 핫스왑합니다.

#### 고객별 구성

| 고객 | 도메인 | Base Model | LoRA | RAG |
|------|--------|-----------|------|-----|
| **A은행** | 원장 시스템 | GLM-5-32B | 은행-원장 | 은행-API |
| **B증권** | 주문 체결 | GLM-5-32B | 증권-주문 | 증권-API |
| **C보험** | 계약 관리 | GLM-5-32B | 보험-계약 | 보험-API |

**Multi-LoRA 배포 및 고객별 라우팅 구현**은 [커스텀 모델 파이프라인 — LoRA 학습·배포 파이프라인](../../reference-architecture/model-lifecycle/custom-model-pipeline.md)을 참조하세요.

---

## 평가 파이프라인

도메인 특화 모델의 품질을 지속적으로 검증합니다. 평가 방법과 기준선은 다음을 따릅니다:

- [RAGAS 평가 프레임워크](./ragas-evaluation.md): RAG 정확도 측정 (faithfulness, relevancy, context recall)
- [커스텀 모델 파이프라인 — 평가 파이프라인](../../reference-architecture/model-lifecycle/custom-model-pipeline.md): LoRA 어댑터 평가 매트릭스, A/B 테스트

---

## Phase별 도입 로드맵

| Phase | 기간 | 구성 | 효과 | 비용 |
|-------|------|------|------|------|
| **1** | 즉시 | Steering + Playbook | 컴플라이언스 + 기본 품질 | 무료 |
| **2** | 1-2주 | + VectorRAG (Milvus) | 내부 지식 정확도 향상 | 인프라 |
| **3** | 2-4주 | + SLM Cascade | 비용 최적화 (70% 절감) | +$500/월 |
| **4** | 1-2개월 | + LoRA Fine-tuning | 도메인 전문성 + 스타일 일관성 | GPU $2K |

각 Phase별 상세 구현 가이드는 [커스텀 모델 파이프라인 구축 가이드](../../reference-architecture/model-lifecycle/custom-model-pipeline.md)를 참조하세요.

---

## 참고 자료

### 공식 문서
- [LoRA Paper (Hu et al., 2021)](https://arxiv.org/abs/2106.09685)
- [QLoRA Paper (Dettmers et al., 2023)](https://arxiv.org/abs/2305.14314)
- [vLLM Multi-LoRA](https://docs.vllm.ai/en/latest/models/lora.html)
- [Langchain RAG Tutorial](https://python.langchain.com/docs/tutorials/rag/)
- [Neo4j GraphRAG](https://neo4j.com/labs/genai-ecosystem/langchain/)
- [RAGAS Evaluation](https://docs.ragas.io/)
- [Unsloth Fast Training](https://github.com/unslothai/unsloth)
- [NeMo Framework](https://docs.nvidia.com/nemo-framework/user-guide/latest/)

### 관련 문서
- [커스텀 모델 파이프라인](../../reference-architecture/model-lifecycle/custom-model-pipeline.md)
- [RAGAS 평가 프레임워크](./ragas-evaluation.md)