한 줄 정의
텍스트의 단순 의미론적 유사성(벡터)이 아니라 엔티티(Entity) 간의 명시적인 관계(Relationship)를 탐색하고 추론하여 답변을 생성하는 검색 증강 기법.
핵심 요지
- “어떤 텍스트가 유사한가?”가 아닌 “무엇이 무엇과 어떻게 연결되어 있는가?”에 집중한다.
- 지식 그래프를 구축하고, 노드를 건너뛰며(Multi-hop) 인과관계 사슬을 추적하므로 환각(False Positive)을 강력히 억제한다.
- 의료, 법률, 규정 준수 등 복잡한 다단계 추론과 설명 가능성(Explainability)이 요구되는 도메인에서 매우 강력하다.
상세
일반적인 벡터 기반 RAG는 사용자 질의와 의미적으로 유사한 텍스트 덩어리(Chunk)를 가져온다. 반면 GraphRAG는 데이터를 인물, 단체, 사건 등의 ‘노드’와 이들 간의 ‘관계’인 에지(Edge)로 모델링하여 지식 그래프를 만든다. 질문이 들어오면 그래프를 탐색하며 여러 엔티티 사이의 연결고리를 추적하고 그 관계도를 바탕으로 LLM이 답변을 작성한다. 때로는 하이브리드 결합 검색을 통해 텍스트 벡터 정보와 지식 그래프 구조 정보를 함께 제공함으로써 완벽한 정보의 문맥과 논리적 근거를 모델에 제공할 수 있다.
예시
질문: “연준의 금리 결정이 기술 스타트업 밸류에이션에 미치는 영향은?” 과정: 연방준비제도(노드) → 금리 인상(관계) → VC 자금 감소(관계) → 초기 스타트업 가치 하락(결론 도출). 단순 키워드 매칭이 아니라 ‘인과의 사슬’을 논리적으로 타고 넘어가 결론을 가져온다.
충돌
- 구축 및 유지 보수 비용: 모든 텍스트를 노드와 에지로 분석하여 지식 그래프를 구성하는 과정 자체에 막대한 컴퓨팅 비용과 설계 리소스가 필요하다.
- 동적 데이터 한계: 원본 데이터가 시시각각 빠르게 변하는 환경에서는 거대한 지식 그래프를 실시간으로 업데이트하는 것이 매우 비효율적일 수 있다.
- 오버 엔지니어링 우려: 감성 챗봇이나 단순 사실 조회, 일반 FAQ 서비스에는 과도한 구조(Overkill)가 되어버린다.