diff --git a/ideas/250811_claude_rb10408_vs_rb10508_비교분석.md b/ideas/250811_claude_rb10408_vs_rb10508_비교분석.md
index 3318058..5458f90 100644
--- a/ideas/250811_claude_rb10408_vs_rb10508_비교분석.md
+++ b/ideas/250811_claude_rb10408_vs_rb10508_비교분석.md
@@ -155,6 +155,84 @@ embedding_response = await httpx.post(
 | **스킬 체이닝** | 지원 | 미지원 |
 | **병렬 실행** | 가능 | 불가능 |
 
+### 임베딩 처리 비교
+
+| 항목 | rb10408_test | rb10508_micro | skill-embedding |
+|------|--------------|---------------|-----------------|
+| **처리 방식** | 로컬 (내장) | HTTP API 호출 | 독립 서비스 |
+| **라이브러리** | sentence-transformers 3.3.1 | 없음 (외부 의존) | sentence-transformers |
+| **모델** | 다운로드 필요 | N/A | multilingual-MiniLM-L12-v2 |
+| **PyTorch** | 2.5.1 (338MB) | 없음 | 있음 |
+| **CUDA 지원** | 비활성화 | N/A | 비활성화 |
+| **메모리 사용** | ~500MB (모델 로드 시) | 0MB | 928MB (상시) |
+| **임베딩 차원** | 384 | 384 (외부) | 384 |
+| **최대 토큰** | 512 | 512 (외부) | 512 |
+| **처리 속도** | ~50ms/문장 | ~100ms/문장 (네트워크 포함) | ~30ms/문장 |
+| **캐싱** | 없음 | 가능 | 메모리 캐시 |
+
+#### 임베딩 아키텍처 차이
+
+**rb10408_test - 모놀리식 임베딩**
+```python
+from sentence_transformers import SentenceTransformer
+
+class EmbeddingService:
+    def __init__(self):
+        # 로컬에 모델 다운로드 및 로드
+        self.model = SentenceTransformer('multilingual-MiniLM')
+        
+    def embed(self, text):
+        # CPU에서 직접 임베딩 생성
+        return self.model.encode(text)
+```
+
+**rb10508_micro - HTTP 임베딩 클라이언트**
+```python
+class HTTPEmbeddingFunction:
+    def __init__(self, api_url):
+        self.api_url = api_url
+        
+    async def embed(self, texts):
+        # 외부 서비스로 요청
+        response = await httpx.post(
+            f"{self.api_url}/embed",
+            json={"texts": texts}
+        )
+        return response.json()["embeddings"]
+```
+
+**skill-embedding - 중앙화된 임베딩 서비스**
+```python
+# 독립 실행 서비스 (포트 8015)
+# 모든 서비스가 공유
+# 928MB 메모리 상시 사용
+# 6일간 안정적 운영 중
+```
+
+#### 임베딩 성능 분석
+
+| 시나리오 | rb10408_test | rb10508_micro + skill-embedding |
+|----------|--------------|----------------------------------|
+| **첫 요청** | 모델 로드 (3-5초) | 즉시 응답 (서비스 상시 대기) |
+| **대량 처리** | 빠름 (로컬) | 네트워크 오버헤드 |
+| **메모리 효율** | 낮음 (중복 로드) | 높음 (공유 서비스) |
+| **확장성** | 제한적 | 수평 확장 가능 |
+| **장애 격리** | 전체 영향 | 임베딩만 영향 |
+
+#### 임베딩 최적화 권장사항
+
+**rb10408_test 개선안**:
+1. skill-embedding 서비스 활용으로 전환
+2. 메모리 300MB+ 절약 가능
+3. PyTorch 제거로 컨테이너 크기 감소
+4. 모델 다운로드 시간 제거
+
+**rb10508_micro 개선안**:
+1. 임베딩 결과 캐싱 강화
+2. 배치 처리 구현
+3. 연결 풀링 최적화
+4. 재시도 로직 추가
+
 ## 4. 장단점 분석
 
 ### rb10408_test