그래프 RAG(GraphRAG)Graph RAG

일반적인 RAG는 질문과 뜻이 비슷한 문서 조각을 주로 벡터 검색으로 찾아 모델에게 건넵니다. 그래서 '이 제품의 반품 기준은?'처럼 답이 한두 군데 적힌 질문에는 잘 맞지만, 여러 문서에 흩어진 관계를 이어야 하거나 '올해 고객 불만의 주요 흐름은?'처럼 문서 전체를 훑어야 하는 질문에는 약해요. 그래프 RAG는 개체(사람, 조직, 제품 등)와 관계로 이뤄진 지식 그래프를 검색에 활용하는 방식을 통칭합니다. 그래프는 문서를 LLM으로 읽어 새로 만들 수도 있고, 공개 지식 그래프나 사내에 이미 구축한 그래프를 쓸 수도 있어요.

문서에서 그래프를 직접 만드는 방식의 대표적인 구현은 마이크로소프트 연구진의 GraphRAG입니다. 2024년 4월 논문에서 LLM으로 지식 그래프를 만든 뒤 밀접하게 연결된 개체 묶음(커뮤니티)마다 요약을 미리 써 두고, 질문이 오면 각 요약에서 나온 부분 답을 모아 최종 답을 만드는 방법을 제시했어요. 100만 토큰 규모의 데이터에서 전체를 아우르는 질문에 대해 일반 RAG보다 답의 포괄성과 다양성이 높았다고 보고했고, 이후 코드도 깃허브에 오픈소스로 공개했습니다.

약점은 비용이에요. 이런 방식은 LLM이 원문을 모두 읽어 개체를 뽑고 요약까지 미리 만들어야 해서 색인 비용이 일반 RAG보다 훨씬 큽니다. 마이크로소프트는 2024년 11월 블로그에서 미리 요약하지 않는 LazyGraphRAG 방식을 발표하며, 색인 비용이 벡터 RAG와 같고 기존 GraphRAG의 0.1% 수준이라고 밝혔어요. 실무에서는 리뷰, 상담 기록처럼 문서가 많고 전체 경향을 묻는 일이 잦거나 상품, 고객 데이터를 이미 그래프로 관리하고 있을 때 검토할 만하고, 단순 질의응답이 대부분이라면 일반 RAG로 충분한 경우가 많습니다.

참고: Edge 외, From Local to Global: A Graph RAG Approach to Query-Focused Summarization(2024), Peng 외, Graph Retrieval-Augmented Generation: A Survey(2024), Microsoft Research, LazyGraphRAG(2024)