GraphRAG

• GraphRAG는 일반 RAG(Retrieval-Augmented Generation)가 약한 "여러 문서를 가로지르는 추론(global question)" 을 해결하기 위해, 문서에서 엔티티-관계 그래프를 추출해 활용하는 방식이다.
• Microsoft Research에서 2024년 공개한 GraphRAG 구현이 가장 유명.

기존 RAG의 한계

• 청크 유사도 검색은 "이 한 문단에서 답할 수 있는 질문" 에 강하다.
• 그러나 "이 회사 보고서 전체에서 가장 중요한 리스크 3가지는?" 같은 요약형/관계형 질문은 청크 단위 검색으로 답 못 한다.

구조

Mermaid스크롤로 확대 · 드래그로 이동
Copy

의사 코드 (개념적)

PythonCopy

장점

• 요약형·관계형 질문에 답 가능.
• 엔티티 단위로 정보를 통합해 환각이 줄어든다.

단점

• 인덱싱 비용이 크다 — 청크마다 LLM 호출이 필요해 일반 RAG의 10~100배 비용.
• 트리플 추출이 노이즈가 많으면 그래프 품질이 떨어짐.
• 운영 인프라(그래프 DB) 추가.

변종

• Microsoft GraphRAG — 위에서 설명한 표준 구현.
• LightRAG — 듀얼 레벨(low-level entity, high-level concept) 검색.
• Hybrid GraphRAG — 그래프 검색 + 일반 벡터 검색 결합.
• Lexical Graph RAG — 청크보다 작은 Statement를 근거 단위로 두고, 출처·주제·사실 계층을 함께 보존하는 설계.

언제 쓰나

• 문서가 서로 강하게 연결된 도메인 (법률 판례, 의학 케이스, 기업 보고서, 미래에셋 같은 금융상품 지식 DB).
• "전체 관점"의 질문이 많을 때.
• 그렇지 않다면 일반 RAG(Retrieval-Augmented Generation) + Hybrid Search + Reranking 조합이 훨씬 가성비가 좋다.