diff --git a/backend/src/main/java/com/stackup/stackup/document/infrastructure/JdbcDocumentEmbeddingRepository.java b/backend/src/main/java/com/stackup/stackup/document/infrastructure/JdbcDocumentEmbeddingRepository.java
index 9cd7cbb0..8e1e8c6a 100644
--- a/backend/src/main/java/com/stackup/stackup/document/infrastructure/JdbcDocumentEmbeddingRepository.java
+++ b/backend/src/main/java/com/stackup/stackup/document/infrastructure/JdbcDocumentEmbeddingRepository.java
@@ -140,6 +140,19 @@ private List<SearchHit> searchVectorOnly(
     // 벡터(코사인) 랭킹과 full-text(ts_rank_cd) 랭킹을 각각 구한 뒤
     // RRF(Reciprocal Rank Fusion, k=60): score = 1/(k+rank) 합으로 융합한다.
     // 점수 스케일이 다른 두 랭킹을 "순위"만으로 합치므로 가중치 튜닝이 불필요.
+    //
+    // **tsquery 는 OR 로 묶는다.** `plainto_tsquery` 는 토큰을 전부 `&`(AND)로 묶는데, 이쪽
+    // 호출자의 질의는 "직전질문 + 답변"(꼬리질문)이나 "모드 + 직군 + 자기소개 600자"
+    // (질문 풀)라 토큰이 10~90개다. 그 전부를 담은 청크는 존재하지 않으므로 full-text
+    // 브랜치가 **항상 0건**이었고, RRF 가 조용히 벡터 단독으로 퇴화했다 — 운영 실측으로
+    // 꼬리질문 47/47, 질문 풀 30/30 이 0건이었다. 구현돼 있고 테스트도 통과하지만 실제
+    // 질의 형태에서는 무효인 상태였다.
+    //
+    // OR 로 바꾼 효과(운영과 같은 헤딩 청킹 인덱스, 질의 47개, top_k=5):
+    // MRR 0.791 → 0.885, Top-1 0.681 → 0.830, Recall 0.936 → 0.979
+    // (paired bootstrap 95% CI: MRR +0.029~+0.162, Top-1 +0.043~+0.277).
+    // 후보 풀 `:cand` 은 손대지 않았다 — 측정한 구성이 `cand = top_k` 였고, 바꾸면
+    // 측정하지 않은 것을 배포하는 셈이 된다.
     private List<SearchHit> searchHybrid(
         float[] queryEmbedding,
         String queryText,
@@ -153,7 +166,13 @@ private List<SearchHit> searchHybrid(
         // 쪼개면 `.formatted` 가 마지막 조각에만 걸려 placeholder 가 밀린다(실제로 그렇게 깨졌다).
         // 조각을 넣어야 하면 여기처럼 %%s 인자로 주입한다 — 순서는 등장 순.
         String sql = """
-            WITH v AS (
+            WITH tq AS (
+                -- plainto_tsquery 의 AND 결합을 OR 로 바꾼다. 어휘소 사이의 구분자만
+                -- 치환하므로 어휘소 안의 문자는 건드리지 않는다(`&` 는 구분자라 어휘소가
+                -- 되지 못한다). 빈 질의는 빈 tsquery 가 되어 0건 — 현행과 같다.
+                SELECT replace(plainto_tsquery('simple', :qtext)::text, ' & ', ' | ')::tsquery AS tsq
+            ),
+            v AS (
                 SELECT e.document_id, e.chunk_index, e.chunk_text,
                        (e.embedding <=> CAST(:qvec AS vector)) AS distance,
                        ROW_NUMBER() OVER (ORDER BY e.embedding <=> CAST(:qvec AS vector)) AS rnk
@@ -166,13 +185,13 @@ WITH v AS (
             t AS (
                 SELECT e.document_id, e.chunk_index, e.chunk_text,
                        ROW_NUMBER() OVER (
-                           ORDER BY ts_rank_cd(e.chunk_text_tsv, plainto_tsquery('simple', :qtext)) DESC
+                           ORDER BY ts_rank_cd(e.chunk_text_tsv, (SELECT tsq FROM tq)) DESC
                        ) AS rnk
                 FROM document_embeddings e
                 %s
-                WHERE e.chunk_text_tsv @@ plainto_tsquery('simple', :qtext)
+                WHERE e.chunk_text_tsv @@ (SELECT tsq FROM tq)
                 %s
-                ORDER BY ts_rank_cd(e.chunk_text_tsv, plainto_tsquery('simple', :qtext)) DESC
+                ORDER BY ts_rank_cd(e.chunk_text_tsv, (SELECT tsq FROM tq)) DESC
                 LIMIT :cand
             )
             SELECT COALESCE(v.document_id, t.document_id) AS document_id,
diff --git a/backend/src/test/java/com/stackup/stackup/document/infrastructure/DocumentEmbeddingSearchTest.java b/backend/src/test/java/com/stackup/stackup/document/infrastructure/DocumentEmbeddingSearchTest.java
index 4a43524f..451c0f06 100644
--- a/backend/src/test/java/com/stackup/stackup/document/infrastructure/DocumentEmbeddingSearchTest.java
+++ b/backend/src/test/java/com/stackup/stackup/document/infrastructure/DocumentEmbeddingSearchTest.java
@@ -100,6 +100,56 @@ void hybridSearchExcludesDeletedDocuments() {
         assertThat(hits).isEmpty();
     }
 
+    /**
+     * 하이브리드의 full-text 절반이 실제 질의 형태에서 죽어 있지 않아야 한다.
+     *
+     * <p>`plainto_tsquery` 는 토큰을 전부 AND 로 묶는다. 그런데 이 검색의 질의는
+     * 꼬리질문이면 "직전질문 + 답변", 질문 풀이면 "모드 + 직군 + 자기소개 600자"라
+     * 토큰이 수십 개다 — 그 전부를 담은 청크는 없으므로 full-text 브랜치가 **항상 0건**이었고
+     * RRF 가 조용히 벡터 단독으로 퇴화했다(운영 실측 47/47, 30/30 이 0건).
+     *
+     * <p>고장이 "결과가 없다"가 아니라 "벡터 결과와 같다"로 나타나 눈에 띄지 않는다. 그래서
+     * **벡터만으로는 top_k 밖인 청크를 키워드로만 끌어올리게** 만들어 두 절반을 구분한다 —
+     * 미끼를 top_k 만큼 채우지 않으면 벡터가 어차피 전부 반환해 AND 에서도 통과한다.
+     */
+    @Test
+    void hybridMatchesOnAnySignificantTokenNotAllOfThem() {
+        AnalyzedDocument doc = document(97010L, "or-tsquery");
+        List<EmbeddingChunk> chunks = new java.util.ArrayList<>();
+        // 질의와 같은 방향(=가까운) 미끼를 top_k 개. 질의 토큰은 하나도 담지 않는다.
+        for (int i = 0; i < 5; i++) {
+            chunks.add(new EmbeddingChunk(i, "미끼 문단 " + i, axis(0)));
+        }
+        // 질의 토큰 중 "카프카" 하나만 담은 청크. 방향이 직교라 벡터로는 꼴찌다.
+        chunks.add(new EmbeddingChunk(5, "카프카 컨슈머 랙을 줄인 경험", axis(1)));
+        embeddingRepository.upsertAll(doc.getId(), "test-model", chunks);
+
+        // 실제 호출자를 흉내 낸 여러 토큰 질의 — 이 전부를 담은 청크는 없다.
+        String query = "앞서 말씀하신 카프카 이야기를 이어가면 파티션 재배치와 리밸런싱을 "
+            + "어떻게 처리하셨는지 궁금합니다";
+
+        List<SearchHit> hits = embeddingRepository.search(axis(0), query, List.of(doc.getId()), 5);
+
+        assertThat(hits)
+            .as("키워드 절반이 죽어 있으면 벡터가 고른 미끼 5개만 남는다")
+            .extracting(SearchHit::chunkIndex)
+            .contains(5);
+    }
+
+    // 질의에 어휘소가 없으면(구두점만 등) tsquery 가 비는데, 그때도 깨지지 않고
+    // 벡터 단독으로 동작해야 한다 — 수정 전과 같은 동작.
+    @Test
+    void hybridFallsBackToVectorWhenQueryHasNoLexemes() {
+        AnalyzedDocument doc = document(97011L, "empty-tsquery");
+        embeddingRepository.upsertAll(doc.getId(), "test-model",
+            List.of(new EmbeddingChunk(0, "레디스 캐시 도입", axis(0))));
+
+        List<SearchHit> hits = embeddingRepository.search(
+            axis(0), "!!! ??? ...", List.of(doc.getId()), 5);
+
+        assertThat(hits).extracting(SearchHit::chunkIndex).containsExactly(0);
+    }
+
     // 검색 범위는 호출자가 뭘 보내든 요청자 소유 문서를 벗어나면 안 된다.
     // 이전에는 documentIds 를 그대로 믿었고, 비면 전체 사용자 청크가 대상이었다.
     @Test
@@ -168,6 +218,14 @@ private List<SearchHit> search(List<Long> documentIds) {
         return embeddingRepository.search(vector(0.9f), null, documentIds, 10);
     }
 
+    // 서로 직교하는 단위 벡터. 기존 vector(head) 는 0번 차원만 크기를 달리해서
+    // **모든 벡터가 평행**이다 — 코사인 거리가 언제나 0이라 순위가 갈리지 않는다.
+    private static float[] axis(int dim) {
+        float[] v = new float[1536];
+        v[dim] = 1f;
+        return v;
+    }
+
     private static float[] vector(float head) {
         float[] v = new float[1536];
         v[0] = head;
diff --git a/docs/api-conventions.md b/docs/api-conventions.md
index 2fdef25a..7a8eefd4 100644
--- a/docs/api-conventions.md
+++ b/docs/api-conventions.md
@@ -425,6 +425,8 @@ HTTP/1.1 202 Accepted
 
 RAG 검색. AI가 질문 풀·꼬리질문·피드백 생성 시 컨텍스트 청크를 가져온다. `document_embeddings`에서 pgvector cosine topK — `queryText`가 주어지면 벡터 + full-text(BM25) RRF 하이브리드로 검색한다.
 
+> full-text 쪽 tsquery 는 **OR 결합**이다(2026-09-29). `plainto_tsquery` 기본값인 AND 로는 이 API 의 실제 질의(꼬리질문 = 직전질문+답변, 질문 풀 = 모드+직군+자기소개 600자, 토큰 수십 개)를 전부 담은 청크가 없어 full-text 브랜치가 항상 0건이었고 RRF 가 벡터 단독으로 퇴화했다 — 운영 실측 47/47·30/30 이 0건. OR 로 바꾼 뒤 운영과 같은 헤딩 청킹 인덱스에서 MRR 0.791→0.885, Top-1 0.681→0.830, Recall 0.936→0.979.
+
 **Request body**
 ```json
 {
diff --git a/docs/database.md b/docs/database.md
index 38375cef..80c8f8c8 100644
--- a/docs/database.md
+++ b/docs/database.md
@@ -344,6 +344,8 @@ CREATE TABLE document_embeddings (
 CREATE INDEX idx_document_embeddings_hnsw
     ON document_embeddings USING hnsw (embedding vector_cosine_ops);
 -- 하이브리드 검색용 full-text 색인(V8). chunk_text 의 generated tsvector 컬럼.
+-- 질의 쪽 tsquery 는 OR 결합으로 만든다(JdbcDocumentEmbeddingRepository) — AND 로는
+-- 실제 질의가 길어 이 색인이 한 번도 매칭되지 않았다.
 CREATE INDEX idx_document_embeddings_tsv
     ON document_embeddings USING GIN (chunk_text_tsv);
 ```