1. What is Graph RAG
기존의 RAG 기술에 지식 그래프(Knowledge Graph)를 결합한 것. 단순한 문서 검색을 넘어, 데이터 간의 관계와 맥락을 활용하여 LLM의 답변 품질을 획기적으로 높이는 기술
- 해결하는 문제: 기존 RAG는 분산된 정보를 연결하거나, 방대한 데이터의 전체적인 맥락을 파악하는 데 한계
- 핵심 장점:
- 정확하고 정교한 검색: 그래프를 탐색하며 숨겨진 관계까지 찾아냄
- 풍부한 맥락 이해: 개별 정보 조각(chunk)만으로는 알 수 없는 깊은 맥락을 제공
- 높은 설명 가능성 (신뢰도↑): 답변의 근거를 그래프 경로를 통해 시각적으로 추적 가능
- 깊이 있는 추론 및 답변 생성: 복잡하게 연결된 정보를 바탕으로 다단계 추론이 가능
2. 지식 그래프와 그래프 DB
3. 주요 Graph RAG 디자인 패턴 및 접근법
다양한 구현 방식이 있지만, 크게 언제, 어떻게 그래프를 활용하는지에 따라 구분
일반적인 디자인 패턴
- 지식 그래프와 의미 기반 클러스터링: 사용자 질의에 대해 지식 그래프와 그래프 머신러닝을 활용하여 정보를 검색하고, 의미적 클러스터로 조직화
- 지식 그래프 + 벡터 DB 통합: 벡터 검색으로 관련 문서 조각을 찾고, 지식 그래프로 그 주변의 맥락 정보를 보강하여 LLM에 전달하는 가장 일반적인 방식
- 그래프 강화 하이브리드 검색: 벡터 검색, 키워드 검색, 그래프 탐색 결과를 모두 합쳐 순위를 재조정하고 종합적인 컨텍스트를 구성
- 지식 그래프 기반 질의 확장: 검색 전에 사용자의 질문을 분석해 지식 그래프에서 관련 개체와 관계를 찾아내고, 이를 바탕으로 쿼리를 더 풍부하게 재구성하여 검색 정확도를 높임
주요 연구 사례
- RAPTOR (Recursive Abstractive Processing for Tree-Organized Retrieval)
- 핵심 아이디어: 긴 문서를 요약하고 클러스터링하는 과정을 반복하여 계층적 요약 트리를 만듬
- 장점: 문서 전체의 구조와 맥락을 유지하며, 질문의 수준에 맞는 깊이의 정보를 효율적으로 검색
- Microsoft GraphRAG
- 핵심 아이디어: 데이터셋 전체에서 주제별 커뮤니티(군집)를 자동으로 탐지하고, 각 커뮤니티에 대한 요약 보고서를 생성
- 장점: "이 데이터셋의 주요 주제는?"과 같은 전체 데이터에 대한 포괄적인 질문에 매우 효과적 DRIFT 검색을 통해 전체적인 맥락(Global)과 세부 정보(Local)를 넘나들며 탐색
4. AWS GraphRAG Toolkit
5. 결론 및 핵심 인사이트
- 구조의 힘: 그래프 구조는 단순 벡터 검색이 놓치는 관계와 맥락을 보존하는 데 결정적인 역할
- 하이브리드 전략: 대부분의 성공적인 접근법은 벡터 검색, 키워드 검색, 그래프 탐색을 결합하여 사용
- 계층적 추상화: 정보를 다양한 수준(요약, 세부사항 등)으로 구조화하면 질문의 의도에 맞는 최적의 컨텍스트를 제공 가능
- LLM의 진화: LLM은 이제 단순히 답변만 생성하는 것이 아니라, 데이터 추출, 요약, 쿼리 확장 등 RAG 파이프라인의 모든 단계에서 핵심적인 역할을 수행