CLI 레퍼런스

전역 옵션

자주 쓰는 명령 (RAG 위주)

부수 명령 (Fine-tuning, 잘 안 됨)

1B Student 모델 파인튜닝은 소규모 데이터(<100개 QA)에서 거의 100% 과적합되어 실제 환경에서 잘 동작하지 않습니다. RAG가 도메인 답변의 대부분을 해결하므로 평소엔 rf rag만 쓰면 됩니다. 아래는 실험용·고급 사용자용.

설정 파일(project.yaml)은 현재 디렉터리에서 상위로 자동 탐색합니다. 명시하려면 --config <path>.

rf init

새 프로젝트 디렉터리를 템플릿에서 복사.

rf init my-project              # ./my-project/ 생성
rf init my-project --force      # 이미 있으면 덮어쓰기

생성:

my-project/
├─ project.yaml      # 모든 설정 (수정해서 사용)
├─ documents/        # 도메인 문서를 여기에
└─ output/           # 산출물 (자동 생성, gitignored)

rf rag

RAG 인덱스를 빌드(필요 시)하고 FastAPI 서버 + 웹 채팅을 시작.

cd my-project
rf rag                          # 인덱스 + 서버 + 브라우저 채팅
rf rag --no-chat                # 인덱스만 빌드 후 종료
rf rag --config ../other.yaml   # 다른 설정 파일

서버 주소: http://localhost:8000 (포트는 rag.port로 변경).

엔드포인트:

• / — opencode-ai 스타일 추론 UI 웹 채팅
• /auto — SSE 스트리밍, 라우팅 자동 (chitchat/general/simple/agent)
• /v1/chat/completions — OpenAI 호환, OpenWebUI 등과 연동
• /health/ready — 헬스 체크 (200 = 인덱스 로드 완료)

rf check

실행 전 사전 점검.

rf check                        # 표준 점검
rf check --strict               # 경고도 실패로 처리

확인 항목:

• project.yaml 스키마 (Pydantic v2)
• documents/ 안 파일 포맷 인식 가능 여부 (PDF, HWP, HWPX, DOCX, DOC, PPT, PPTX, XLSX, XLS, HTML, TXT, MD 12종)
• Teacher 모델 Ollama 응답
• GPU/MPS/CPU 감지
• 디스크 여유 공간

rf status

각 파이프라인 단계의 체크포인트 존재 여부와 결과 요약.

rf status

output/ 안 어떤 단계까지 완료됐는지 한눈에 표시.

rf clean

중간 산출물 정리.

rf clean                        # 캐시·중간 JSON만 (인덱스·모델은 보존)
rf clean --all                  # 전부 (다음 실행 시 처음부터)
rf clean --keep-index           # 인덱스만 보존

rf tune (advanced)

풀 파이프라인 — 파싱부터 모델 내보내기까지 한 번에.

주의: Student 모델 파인튜닝은 잘 안 됩니다. 소규모 데이터에서 과적합 100%. RAG만 쓰시는 게 안전합니다. 그래도 시도하시려면 아래 옵션 참고.

rf tune                         # 풀 파이프라인
rf tune --resume                # 마지막 체크포인트에서 재개
rf tune --skip-train            # 학습만 건너뛰기 (인덱스 빌드까지)
rf tune --no-chat               # 채팅 자동 시작 안 함

13단계: parse → generate QA → validate → score → augment → analyze → convert → train → export → eval → refine → corpus export → rag index. 각 단계 JSON 체크포인트로 resumable.

rf train (advanced)

학습 단계만. QA 데이터 사전 생성 필요.

rf train                        # 기본
rf train --resume               # 학습 체크포인트에서 재개
rf train --data path/to/qa.json # 외부 QA 파일

training.* 섹션의 LoRA·배치·학습률 설정에 따라 동작.

rf export (advanced)

LoRA 어댑터를 베이스 모델에 병합 + Ollama Modelfile 생성.

rf export                       # 기본 — Ollama용
rf export --target huggingface  # HF 포맷 (safetensors)
rf export --quantize q4_k_m     # GGUF 양자화 (Ollama만)

rf eval (advanced)

학습 모델 BLEU/ROUGE 평가.

rf eval                         # eval_set 자동 분할
rf eval --baseline              # 베이스 모델과 비교

결과: output/eval/eval_result.json.

rf tool

유틸리티 서브커맨드 모음. 자주 쓰진 않지만 디버깅·실험용.

rf tool compare-models a b      # 두 학습 모델 응답 비교
rf tool export-corpus           # 외부 평가용 corpus parquet
rf tool eval-retrieval          # RAG 검색 품질만 측정
rf tool review-qa               # 생성 QA 사람 검토
rf tool evolve                  # 자동 진화 학습 (실험적)
rf tool convert                 # 학습 모델 포맷 변환
rf tool rag-index               # 인덱스만 빌드 (서버 X)
rf tool rag-serve               # 서버만 (인덱스 빌드 X)

각 서브커맨드의 옵션은 rf tool <name> --help로 확인.

출력 파일 구조

rf tune 풀 파이프라인 산출물 (rf rag만 쓰면 parsed/, rag/, logs/만 생성):

output/
├─ parsed/         # 문서 파싱 (JSON)
├─ qa_raw.json     # Teacher가 생성한 raw QA          [tune only]
├─ qa_valid.json   # 검증 통과 QA                     [tune only]
├─ qa_scored.json  # 점수 부여 QA                     [tune only]
├─ qa_final.json   # 증강·필터링 완료 QA              [tune only]
├─ checkpoints/    # LoRA 학습 체크포인트              [tune only]
├─ adapter/        # 최종 LoRA 어댑터                  [tune only]
├─ merged/         # 베이스 + 어댑터 병합              [tune only]
├─ ollama/         # Ollama Modelfile + GGUF           [tune only]
├─ eval/           # BLEU/ROUGE 결과                   [tune only]
├─ rag/            # Qdrant 인덱스·corpus profile
└─ logs/           # 단계별 로그

관련

• 설정 레퍼런스 — project.yaml 필드 정리
• Quick Start — 5분 안에 첫 RAG 채팅