- Published on
'문서에서 지식 그래프를 뽑는다'는 데모에서는 LLM 호출 한 번처럼 보입니다. 하지만 고객의 문서를 실제로 쿼리 가능한 그래프로 바꾸는 일은 여섯 단계의 파이프라인이고, 비용과 고통의 대부분은 추출이 아니라 엔티티 해소에 있습니다. 이 글은 스키마(온톨로지)를 먼저 정하는 이유, LLM 기반 스키마 제약 추출(LangChain LLMGraphTransformer, LlamaIndex의 Simple/Schema/Dynamic 추출기, Microsoft GraphRAG의 인덱싱 파이프라인)이 전통적 NER+관계 추출과 다른 점, 같은 엔티티가 수많은 표기로 나타나는 엔티티 해소의 구체적 실패 모드(과병합 vs 미병합, 블로킹이 왜 필요한가), 그래프 스토어 적재와 프로벤넌스, 증분 업데이트와 스키마 드리프트, 그리고 구축된 그래프를 어떻게 평가하는가(정밀도=정확성, 재현율=완전성)를 정직하게 정리합니다. FDE가 고객의 문서를 그래프로 바꿀 때 실제로 하는 일입니다.