Skip to content

Graph-rag

  • Published on
    RAG의 표준 레시피(청크 → 임베딩 → 상위 k개 검색)는 답이 한 조각에 들어 있을 때 잘 작동하지만, 멀티홉 질문과 코퍼스 전체를 관통하는 글로벌 센스메이킹 질문에서는 구조적으로 막힙니다. Microsoft의 GraphRAG는 이 두 사각지대를 겨냥해, LLM으로 코퍼스에서 지식 그래프를 뽑고 Leiden 알고리즘으로 커뮤니티를 찾아 요약을 미리 만들어 둡니다. 그런 다음 글로벌 질문은 커뮤니티 요약의 맵-리듀스로, 로컬 질문은 엔티티 중심 그래프 탐색으로 답합니다. 이 글은 벡터 RAG가 막히는 지점, GraphRAG 파이프라인의 실제 동작(그래프 구축 → 커뮤니티 탐지 → 로컬 vs 글로벌 검색), 구체적인 예, 그리고 정직한 트레이드오프(색인 LLM 비용, 지연, 갱신 부담, 자주 과잉이라는 점, 벡터와의 하이브리드가 흔하다는 점)를 정리합니다. 하이프가 아니라 당신이 이걸 써야 하는지에 답하는 실무 가이드입니다.
  • Published on
    그래프 데이터베이스, RDF·온톨로지 스택, 그래프 RAG 프레임워크는 지난 2년 사이 폭발적으로 늘었습니다. 링크 목록은 이미 많으니, 이 글은 대신 정직하게 의견을 담은 지도를 그립니다. 카테고리마다 무엇에 쓰는지, 대표 도구 두세 개, 그리고 "언제 무엇을 고를지"를 분명히 말합니다 — 임베디드(Kùzu) vs 서버(Neo4j), 형식 OWL/RDF vs 실용 프로퍼티 그래프, 직접 짜는 추출 파이프라인 vs Microsoft GraphRAG의 배터리 포함 파이프라인. 그리고 가장 중요한 질문: 애초에 그래프를 쓰지 말아야 할 때(벡터 RAG로 충분한 경우)는 언제인가. 작은 결정 흐름으로 시리즈를 닫습니다. 모든 도구는 실제로 존재하는지 확인했고, 성숙도와 포지셔닝을 부풀리지 않았습니다 — Kùzu가 2025년 아카이브된 사실까지 포함해서.