한 줄 정의
문서 주입 시 LLM 호출 비용 없이 마크다운의 위키링크 및 텍스트 문맥을 분석하여 엔티티(인물, 기업 등) 간의 관계 간선들을 자율적으로 구축하는 영구 기억 그래프 시스템이다.
핵심 요지
- LLM API 비용 절감: LLM 호출을 전혀 사용하지 않고 텍스트 텍소노미 문맥과 위키링크만을 파싱하여 관계망을 빌드한다 raw/GBrain - 에이전트를 위한 오픈소스 장기 기억 및 지식 그래프 인프라.md#L10.
- 다차원 교차 검색 최적화: 단순 벡터 검색 RAG 아키텍처로는 대답하기 어려운 다차원 교차 질문(“A사에 근무하는 직원이 누구지?”, “B가 이번 분기에 어디에 투자했지?”)에 즉각적인 구조화 답변을 제공한다 raw/GBrain - 에이전트를 위한 오픈소스 장기 기억 및 지식 그래프 인프라.md#L10.
상세
- 관계 간선 자동 매핑: 문서 내에 엮인 텍스트 정보들을 기반으로
attended,works_at,invested_in,founded,advises등의 사전 정의된 의미론적 간선(Edge)을 자동으로 연결한다 raw/GBrain - 에이전트를 위한 오픈소스 장기 기억 및 지식 그래프 인프라.md#L10. - 성능 지표 검증: 240페이지 분량의 고품질 텍스트 문서 데이터셋으로 평가한 결과, 자가 구축 지식 그래프를 활용했을 때 단순 벡터 검색 RAG/BM25 조합에 비해 정밀도 점수(P@5)가 31.4포인트(최종 P@5 49.1%, R@5 97.9%) 상회하는 우수한 효율을 보여주었다 raw/GBrain - 에이전트를 위한 오픈소스 장기 기억 및 지식 그래프 인프라.md#L10.
예시
- 회의록 동적 배선: 회의록에 “Alice(Acme AI)와 만남”이라는 텍스트가 인박스에 입력되면, 백그라운드 드림 사이클이 이를 감지하여
Alice-works_at->Acme AI라는 관계망을 스스로 배선하고 DB 인덱스에 추가한다 raw/GBrain - 에이전트를 위한 오픈소스 장기 기억 및 지식 그래프 인프라.md#L3-L10.
충돌
- 단순 벡터 검색(Vector Search)과의 충돌: 단순 벡터 검색 RAG는 질문과 문맥의 유사도에만 의존하므로 “Acme Corp에서 근무하는 봅이 투자한 회사들의 리스트”와 같은 다차원 연쇄 구조화 질문에 대한 정합성 있는 데이터를 반환하지 못한다. 반면 지식 그래프는 명시적인 관계 간선(Edge)을 바탕으로 이를 극복한다.