---
title: "LLM 그라운딩이란? 출처에 근거한 답변 | BroadRouter"
description: "그라운딩은 문서, 검색 결과, 데이터베이스 행처럼 제공한 출처에 LLM 답변을 묶어 주장을 검증할 수 있게 합니다. 방법과 한계를 정리했습니다."
url: https://broadrouter.com/ko/glossary/grounding/
lang: ko
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

이 페이지는 영어 원문을 AI의 도움을 받아 번역했습니다. [영어 원문 읽기](https://broadrouter.com/glossary/grounding/) (2026-11-14 업데이트).

# 그라운딩(grounding)

업데이트 2026-11-14

그라운딩(grounding)은 언어 모델의 출력을 제공한 문서, 검색 결과, 데이터베이스 레코드처럼 구체적이고 검증 가능한 정보 출처에 연결하고, 그 출처를 근거로 답하도록 지시하는 방법입니다. 그라운딩된 답은 출처까지 추적할 수 있고 지어낸 사실이 들어갈 가능성이 낮습니다.

다른 이름: 그라운딩, LLM 그라운딩, 근거 기반 생성, 출처 기반 답변, 그라운딩된 답변, grounded generation, source grounding, grounded answers

그라운딩되지 않은 모델은 기억에 의존해 답합니다. 그라운딩된 모델은 눈앞의 자료를 보고 답합니다.

## 작동 방식

Google의 Vertex AI 문서는 그라운딩을 “the ability to connect model output to verifiable sources of information.”(번역: 모델 출력을 검증 가능한 정보 출처에 연결하는 능력)로 정의합니다. 출처는 웹 검색, 내 문서, 지도 서비스, 데이터베이스가 될 수 있습니다. 출처가 무엇이든 패턴은 세 부분으로 이루어집니다.

1.  **근거 가져오기.** 질문에 맞는 근거를 가져옵니다. 검색된 문단, 파일 전체, 청구서 이미지, SQL 결과 행 등입니다.
2.  **프롬프트에 넣기.** 근거만 보고 답하라는 지시와 함께 넣습니다.
3.  **답을 검증 가능하게 만들기.** 인용, 출처 표시, 출처로 돌아가는 링크를 붙입니다.

가장 잘 알려진 방법은 검색 증강 생성(RAG)입니다. Lewis 등은 생성기를 신경망 검색기로 접근하는 “dense vector index of Wikipedia”(번역: 위키백과의 밀집 벡터 인덱스)와 결합했고, 파라미터만으로 답하는 모델보다 더 구체적이고 사실에 맞는 답을 얻었다고 보고했습니다. 이런 인덱스를 만들 때는 [임베딩](https://broadrouter.com/ko/glossary/embeddings/)을 쓰고, 흔히 [벡터 데이터베이스](https://broadrouter.com/ko/glossary/vector-database/)도 씁니다.

최소한의 그라운딩 프롬프트는 다음과 같습니다.

```text
Answer using only the policy below. Quote the sentence that supports your answer.
If the policy does not answer the question, reply "Not in the policy."

<policy>Refunds are available within 14 days of purchase.</policy>

Question: Can I get a refund after three weeks?
```

그라운딩된 답은 “안 된다”고 하면서 14일 문장을 인용합니다. 그라운딩되지 않은 모델은 그럴듯해 보이는 30일 정책을 추측할 수도 있습니다.

입력이 길 때 Anthropic은 인용 먼저 단계를 제안합니다. 20,000토큰이 넘는 문서는 모델이 먼저 문장을 그대로 인용해 뽑게 하고, 그 인용만 근거로 답하게 하는 방식입니다.

## 왜 중요한가

-   **지어낸 사실 감소.** Google은 할루시네이션 감소를 핵심 이점으로 꼽습니다. 내 데이터에 관한 [할루시네이션](https://broadrouter.com/ko/glossary/hallucination/)에는 그라운딩이 가장 직접적인 해결책입니다.
-   **최신 정보.** 모델 가중치는 학습 시점에 고정됩니다. 그라운딩 출처는 재학습 없이 매일 바뀔 수 있습니다.
-   **감사 가능성.** 인용이 붙은 주장은 사람이나 코드로 확인할 수 있습니다.
-   **비용 트레이드오프.** 근거는 입력 토큰입니다. 문단 다섯 개를 검색하는 편이 매뉴얼 전체를 보내는 것보다 싸지만, 중요한 문단을 놓칠 수 있습니다. 프롬프트가 아주 길면 [lost in the middle](https://broadrouter.com/ko/glossary/lost-in-the-middle/) 문제로 정보를 놓칠 위험도 있습니다.

## BroadNet Inference에서는

BroadNet 문서에는 임베딩 엔드포인트, 검색 도구, 출처 표시 기능이 없으므로 검색은 여러분의 코드에서 실행합니다. API가 주는 것은 근거를 담을 공간입니다. DeepSeek V4.1 Flash와 GLM 5.3은 1,048,576 토큰, Qwen3.8 27B는 262,144 토큰의 [컨텍스트 윈도우](https://broadrouter.com/ko/glossary/context-window/)를 제공하고, 문서 항목에 이미지나 비전이 적힌 모델은 이미지 입력을 받습니다. 그래서 “문서 전체를 붙여 넣기”도 현실적인 선택지입니다. [긴 컨텍스트 vs RAG](https://broadrouter.com/ko/blog/long-context-vs-rag/)에서 각각의 비용을 비교하고, [청구서 가이드](https://broadrouter.com/ko/guides/read-arabic-invoices-with-vision/)는 스캔한 이미지에 근거해 정보를 추출합니다.

## 자주 묻는 질문

### 그라운딩과 RAG는 같은 건가요?

RAG는 그라운딩 방법 중 하나로, 문단을 검색해 프롬프트에 추가합니다. 문서 전체를 붙여 넣거나, 이미지를 첨부하거나, 실시간 검색이나 데이터베이스 결과를 넣는 방식으로도 그라운딩할 수 있습니다.

### 그라운딩하면 답이 정확하다고 보장되나요?

아닙니다. 모델이 여전히 출처를 잘못 읽거나 무시할 수 있습니다. 인용이나 출처 표시를 요구하고, 각 인용이 실제로 출처에 있는지 확인하세요.

### LLM이 내 문서만 보고 답하게 하려면 어떻게 하나요?

문서를 제공하고, 그 문서만 쓰라고 지시하고, 답이 없으면 없다고 말해도 된다고 허용하고, 주장마다 인용을 요구하세요.

## 함께 보기

-   [할루시네이션(환각, hallucination)](https://broadrouter.com/ko/glossary/hallucination/) (용어)
-   [RAG(검색 증강 생성)](https://broadrouter.com/ko/glossary/rag/) (용어)
-   [임베딩(embedding)](https://broadrouter.com/ko/glossary/embeddings/) (용어)
-   [컨텍스트 윈도우(context window)](https://broadrouter.com/ko/glossary/context-window/) (용어)
-   [벡터 데이터베이스(vector database)](https://broadrouter.com/ko/glossary/vector-database/) (용어)
-   [Lost in the middle(중간 정보 손실)](https://broadrouter.com/ko/glossary/lost-in-the-middle/) (용어)
-   [비전 모델로 아랍어 인보이스와 영수증 읽기](https://broadrouter.com/ko/guides/read-arabic-invoices-with-vision/) (가이드)
-   [롱 컨텍스트 vs RAG: 100만 토큰이 벡터 DB를 대체할 때](https://broadrouter.com/ko/blog/long-context-vs-rag/) (글)
-   [아랍어 RAG: 제대로 작동하는 정규화, 청킹, 검색](https://broadrouter.com/ko/blog/arabic-rag-search/) (글)

실제 워크로드로 테스트해 보세요. 신규 계정에는 US$5 상당의 초기 크레딧이 제공되며 Gemma 및 음성 전사에 사용할 수 있습니다. DeepSeek, GLM 및 Qwen3.8 모델은 충전이 필요합니다.

[시작하기](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=ko-glossary-grounding&utm_content=page-cta) ·

**출처**

-   [Google Cloud, 그라운딩 개요(Vertex AI)](https://docs.cloud.google.com/vertex-ai/generative-ai/docs/grounding/overview)
-   [Lewis 외(2020), Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks](https://arxiv.org/abs/2005.11401)
-   [Anthropic, 할루시네이션 줄이기(직접 인용과 출처 표시)](https://platform.claude.com/docs/en/test-and-evaluate/strengthen-guardrails/reduce-hallucinations)
-   [BroadNet Inference API 레퍼런스, 모델 ID와 컨텍스트 (영어)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ko-glossary-grounding&utm_content=sources#models)
