feat(wiki): implement P-Reinforce v3.0 standard & integrate 26+ new knowledge artifacts
- Formalized automatic record migration protocol in System Manual. - Integrated high-density knowledge for RAG, AI, Business Strategy, and Leadership. - Enhanced graph connectivity across core strategic hubs. - Archived raw data and updated timeline records.
This commit is contained in:
Antigravity Agent
@@ -1,37 +1,65 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-GRAG-001
|
||||
category: Unified
|
||||
confidence_score: 0.95
|
||||
tags: [auto-reinforced, graphrag, knowledge-graph, relational-reasoning, structured-knowledge]
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-GRG-001
|
||||
category: AI_and_ML
|
||||
confidence_score: 1.00
|
||||
tags: [auto-reinforced, graph-rag, knowledge-graph, rag, semantic-relationship, complex-reasoning]
|
||||
last_reinforced: 2026-05-04
|
||||
---
|
||||
|
||||
# [[GraphRAG|GraphRAG]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "관계의 그물망: 파편화된 문서 조각(Chunk)을 넘어, 정보 간의 논리적 연결 고리를 노드와 엣지로 구조화함으로써 복잡한 인과 관계와 전체 맥락을 꿰뚫는 고차원적 검색 증강 기술."
|
||||
> "정보의 지도를 그리는 검색: 문서를 단순한 텍스트 덩어리가 아닌 엔티티(Entity)와 관계(Relationship)의 네트워크로 재구성하여, 여러 문서에 걸쳐 있는 복잡한 맥락과 주제 단위의 질문에 완벽하게 답변하는 지식 그래프 기반 RAG."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
GraphRAG는 정보를 노드(Node)와 엣지(Edge) 형태의 지식 그래프(Knowledge Graph)로 구성하여 검색 성능을 높이는 RAG의 진화된 형태입니다.
|
||||
GraphRAG는 지식 그래프(Knowledge Graph)의 구조적 이점과 LLM의 생성 능력을 결합하여 평면적인 벡터 검색의 한계를 극복하는 차세대 RAG 아키텍처입니다.
|
||||
|
||||
1. **핵심 차이점**:
|
||||
* **전통적 RAG**: 텍스트를 단순한 조각(Chunk)으로 나누어 벡터 공간에 배치 $\rightarrow$ 정보 간의 맥락적 연결이 끊어질 위험이 큼.
|
||||
* **GraphRAG**: 엔티티(Entity) 간의 관계를 명시적으로 정의 $\rightarrow$ "A가 B의 원인이다"와 같은 구조적 지식을 보존.
|
||||
2. **주요 이점**:
|
||||
* **관계적 추론 (Relational Reasoning)**: 단순 키워드 매칭으로는 찾기 힘든 데이터 간의 잠재적 연관성을 효과적으로 탐색합니다.
|
||||
* **전체론적 요약**: 특정 조각이 아닌 전체 그래프를 탐색하여 문서 집합 전체에 대한 고수준의 통찰을 제공할 수 있습니다.
|
||||
* **IBM의 평가**: 기존 RAG가 가진 관계적 추론의 한계를 극복하는 가장 효과적인 대안 중 하나로 꼽힙니다.
|
||||
3. **작동 원리**:
|
||||
* LLM을 사용하여 비정형 텍스트에서 엔티티와 관계를 추출하고 그래프 DB(예: Neo4j)를 구축합니다.
|
||||
* 질문이 들어오면 그래프 탐색(Graph Traversal)을 통해 관련 노드와 엣지를 수집하여 답변 생성에 활용합니다.
|
||||
1. **동작 원리 (Mechanism)**:
|
||||
* **그래프 추출 (Graph Extraction)**: LLM을 사용하여 텍스트 데이터에서 인물, 장소, 개념 등의 엔티티와 그들 사이의 관계를 추출합니다.
|
||||
* **커뮤니티 요약 (Community Summarization)**: 거대한 그래프를 밀접하게 연결된 그룹(Community)으로 나누고, 각 그룹에 대한 요약을 미리 생성해둡니다.
|
||||
* **전역 및 국소 검색**: 전체 지식의 개요를 묻는 질문(Global Query)에는 커뮤니티 요약을 활용하고, 특정 엔티티에 대한 질문(Local Query)에는 그래프 노드를 탐색합니다.
|
||||
|
||||
2. **왜 GraphRAG인가?**:
|
||||
* **다단계 추론 ([[Multi-hop Reasoning|Multi-hop]])**: 문서 A와 문서 C 사이의 연결 고리를 그래프 상에서 직접 추적할 수 있습니다.
|
||||
* **주제적 통찰**: "이 전체 문서들의 핵심 주제가 뭐야?"와 같은 포괄적인 질문에 대해 벡터 검색보다 훨씬 우수한 답변을 제공합니다.
|
||||
|
||||
3. **지식의 밀도**:
|
||||
* 파편화된 정보를 연결된 지식 체계로 승격시켜, 정보의 누락 없는 고밀도 컨텍스트를 LLM에 제공합니다.
|
||||
|
||||
## ⚖️ Trade-offs & Caveats
|
||||
* **높은 전처리 비용**: 텍스트에서 그래프를 추출하고 구축하는 과정에서 LLM 토큰 비용과 시간이 Naive RAG보다 월등히 많이 소요됩니다.
|
||||
* **그래프 유지보수**: 새로운 데이터가 추가될 때 기존 그래프와의 무결성을 유지하며 업데이트하는 과정이 복잡합니다.
|
||||
* **고비용 전처리**: 지식 그래프를 구축하고 커뮤니티 요약을 생성하는 과정에서 일반 RAG 대비 3~5배 이상의 LLM 토큰 비용이 발생합니다.
|
||||
* **구축 지연 시간**: 방대한 양의 문서를 그래프로 인덱싱하는 데 상당한 시간이 소요됩니다.
|
||||
* **추출 노이즈**: 엔티티 인식 및 관계 정의 과정에서 AI가 잘못된 연결을 생성할 수 있으므로, 그래프 정제 로직이 필요합니다.
|
||||
|
||||
## 💻 실전 구현 코드 (Boilerplate)
|
||||
`Microsoft GraphRAG` 라이브러리의 개념적 인덱싱 워크플로우 예시입니다.
|
||||
|
||||
```python
|
||||
# GraphRAG 프로젝트 설정 및 인덱싱 (CLI 예시)
|
||||
# 1. 초기화
|
||||
# graphrag init --root ./my_knowledge_garden
|
||||
|
||||
# 2. 인덱싱 실행 (텍스트 -> 엔티티 추출 -> 그래프 구축)
|
||||
# graphrag index --root ./my_knowledge_garden
|
||||
|
||||
# 3. 질의 실행 (Global/Local 쿼리 모드 선택 가능)
|
||||
from graphrag.query.context_builder import GlobalContextBuilder
|
||||
from graphrag.query.engine import GlobalSearch
|
||||
|
||||
# 개념적 파이썬 API 호출 예시
|
||||
query_engine = GlobalSearch(
|
||||
context_builder=GlobalContextBuilder(graph_storage, community_reports),
|
||||
llm=ChatOpenAI(model="gpt-4-turbo")
|
||||
)
|
||||
|
||||
response = query_engine.search("이 지식 기지의 주요 아키텍처적 특징들을 요약해줘.")
|
||||
print(response.answer)
|
||||
```
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
* **상위 개념**: [[Retrieval-Augmented Generation (RAG)|Retrieval-Augmented Generation (RAG)]], [[Knowledge Graph|Knowledge Graph]]
|
||||
* **연관 기술**: [[Entity Extraction|Entity Extraction]], [[Vector Database|Vector Database]], [[Reasoning Chains|Reasoning Chains]]
|
||||
* **기반 기술**: [[Knowledge Graph|Knowledge Graph]], [[Retrieval-Augmented Generation (RAG)|RAG]]
|
||||
* **고도화 기법**: [[Multi-hop Reasoning|Multi-hop Reasoning]], [[Entity Relationship Mapping|ER Mapping]]
|
||||
* **비교 개념**: [[Vector Search|Vector Search (Baseline)]], [[Adaptive RAG|Adaptive RAG]]
|
||||
|
||||
---
|
||||
*Last updated: 2026-05-04*
|
||||
|
||||
Reference in New Issue
Block a user