GraphRAG

GraphRAG

지식 그래프를 활용하여 RAG의 검색 정확도와 관계 추론을 강화하는 기법

기존 RAG 한계: 청크 단위로 문서 간 관계 손실, 멀티홉 질문 어려움, 글로벌 요약 취약

특징: 엔티티-관계 기반 검색, 멀티홉 추론, 커뮤니티 기반 요약

구성요소: 엔티티 추출기(LLM NER), 관계 추출기, 지식 그래프(Neo4j), Community Detection(Leiden), Graph Summarization

동작과정: 문서 청킹 → LLM으로 엔티티·관계 추출 → 지식 그래프 구축 → Community Detection → 커뮤니티 요약 → 질의 시 그래프 탐색 → LLM 답변 생성

장점: 관계 추론(멀티홉), 글로벌 요약, 설명 가능성(추론 경로)

단점: 그래프 구축 비용(LLM 다수 호출), 추출 오류 전파, 유지보수 복잡, 지연시간 증가

비교: 기존 RAG(벡터 유사도/관계추론 불가/구축 저렴) vs GraphRAG(그래프 탐색/멀티홉/구축 비쌈)

적용사례: 법률 문서, 의료 진단, 기업 지식관리, 학술 논문, 복잡 규정 QA

연관: RAG, 지식 그래프, LLM, NER, 그래프DB, Community Detection