이 게시물은 Semantic Search만으로는 번역 품질이 해결되지 않았던 이유를 설명하고 Tolgee 데이터와 에이전트 설계로 해결 방향을 제시합니다. 채널톡은 용어 하나하나가 제품 신뢰도와 직결되어 대소문자까지 신중히 번역하며, 기존 번역을 최대한 재사용해야 하는 현실을 강조합니다. 단어 단위 용어 일관성이 중요한데 벡터DB의 문장 의미 유사도 검색은 agent/operator/conversation/chat 같은 핵심 용어를 정확히 찾아주지 못했다고 말합니다. 번역 키 데이터는 사전형 구조라 청킹·임베딩이 원래 성질을 충분히 보존하지 못해 품질이 떨어졌다고 정리합니다. 이를 해결하기 위해 검색형 에이전트를 도입해 LLM이 문장에서 키워드를 추출하고 Tolgee API로 번역 키를 반복 조회해 상위 매칭 조합으로 선택하도록 바꿨습니다. 블로그 번역 데이터는 톤앤매너 참고용 프롬프트로 활용하고, 용어 일관성 재사용은 사전형 Tolgee 데이터에 맞춰 접근을 분리했다고 설명합니다. 결론으로는 문제의 성질이 문단 유사도가 아니라 정확한 용어 재사용 정밀 검색에 가깝기 때문에 기술 성능보다 문제-기술 적합성이 더 중요하다고 말합니다.