Skip to content

Knowledge-graph

  • Published on
    고객사의 도메인 지식은 대개 문서가 아니라 사람 머릿속에 암묵지로 있습니다. Forward Deployed Engineer의 핵심 작업 하나는 이 흩어진 암묵지를 팀이 공유하는 명시적 모델로 바꾸는 것입니다. 이 글은 가장 싸고 값진 첫걸음인 DDD의 유비쿼터스 언어에서 출발해, 바운디드 컨텍스트로 같은 단어의 충돌을 다루고, 엔티티·값 객체·애그리게이트로 명사를 모델링합니다. 그다음 사람들이 자주 뒤섞는 세 단어 — 택소노미, 온톨로지, 지식 그래프 — 를 구분하고, 형식 스택(RDF/RDFS/OWL과 schema.org)과 운영 스택(프로퍼티 그래프와 Palantir Foundry의 객체·링크·액션)을 나란히 놓습니다. 마지막으로 정직하게 말합니다. 온톨로지는 과설계되기 가장 쉬운 산출물이고, 가장 흔한 실패는 아름답지만 아무도 안 쓰는 온톨로지라는 것. 그래서 개념이 아니라 비즈니스가 실제로 던지는 질문에서 시작해야 한다는 것.
  • 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
    '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.
  • 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.
  • Published on
    컨텍스트 윈도우가 100만 토큰을 넘긴 2026년에도 에이전트 메모리는 여전히 풀리지 않은 문제다. Mem0, Zep, Letta(구 MemGPT), Cognee, Anthropic Memory API, OpenAI Memory, Graphiti, Verba, Cody Memories, Generative Agents까지 — 벡터 메모리·그래프 메모리·에피소딕 메모리 세 가지 모델을 비교하고, 단기·작업·장기(시맨틱·에피소딕·절차적) 메모리 계층을 풀어낸다. pgvector / Qdrant / Neo4j / Memgraph / Kuzu 저장 백엔드, 한국(Upstage·NAVER HCX)과 일본(Sakana·PFN)의 흐름까지, 챗봇·어시스턴트·멀티에이전트·연구 시나리오별로 어떤 메모리 시스템을 골라야 하는지 정한다.
  • Published on
    2026년 5월 기준 그래프 데이터베이스와 지식 그래프 생태계를 한 번에 정리합니다. Neo4j 5, ArangoDB, Memgraph, TigerGraph, Amazon Neptune, Apache AGE, Kuzu, FalkorDB, Dgraph 같은 그래프 DB와 GraphDB·Stardog·Virtuoso·Apache Jena 같은 RDF 트리플 스토어, Cypher·GQL·Gremlin·SPARQL 쿼리 언어, Microsoft GraphRAG·LlamaIndex·LangChain 같은 GraphRAG 도구, 그리고 PayPal·Netflix·Pfizer·NAVER 같은 실전 도입 사례까지 한 글에 담았습니다.