---
id: 지식-그래프
title: "지식 그래프"
category: "AI_and_ML"
status: "draft"
verification_status: "conceptual"
canonical_id: ""
aliases: ["Knowledge Graph", "KG", "GraphRAG", "개체-관계 모델", "Semantic Network", "지식 네트워크", "커뮤니티 구조"]
duplicate_of: ""
source_trust_level: "A"
confidence_score: 0.94
created_at: 2026-06-08
updated_at: 2026-06-08
review_reason: ""
merge_history: []
tags: ["research", "GraphRAG", "Knowledge Graph", "Entity-Relationship", "RAG 2.0"]
raw_sources: ["RAG의 진화: GraphRAG, Agentic RAG, CRAG의 등장 - CSLEE Tech Blog %", "1. RAG 파이프라인 기초 아키텍처", "[Tech Series] kt cloud AI 검색 증강 생성(RAG) #2 : 데이터 파싱과 전처리 최적화"]
applied_in: ["Microsoft Research GraphRAG Open Source (2024.07)", "GraphRAG 1.0 (LanceDB 및 Azure AI Search 통합)", "Weaviate (GraphQL + 하이브리드 검색 지원)"]
github_commit: ""
---

# [[지식 그래프]]

## 🎯 한 줄 통찰 (One-line insight)
지식 그래프는 파편화된 비정형 데이터를 상호 연결된 개체(Node)와 관계(Edge)의 망으로 구조화하여, 단순 유사도 검색을 넘어 데이터 전체에 대한 거시적 통찰과 복합적인 맥락 추론을 가능하게 하는 차세대 지식 표상 체계이다 [S276, S277].

## 🧠 핵심 개념 (Core concepts)
- **개체 및 관계 (Entity & Relationship):** 문서에서 인물, 장소, 조직, 개념 등을 추출하여 노드로 설정하고, 이들 사이의 연관성을 엣지로 정의하는 그래프의 기본 단위이다 [S277].
- **커뮤니티 탐지 (Community Detection):** 그래프 알고리즘을 통해 의미적으로 밀접하게 연관된 개체 그룹을 식별하고 클러스터링하는 과정이다 [S277].
- **계층적 요약 (Hierarchical Summarization):** 식별된 커뮤니티별로 LLM이 요약문을 생성하여, 미시적 정보부터 거시적 주제까지 다층적인 지식 구조를 구축하는 기술이다 [S277, S278].
- **클레임 추출 (Claim Extraction):** 개체 간 관계 외에도 문서 내의 핵심 주장이나 사실 정보를 별도로 추출하여 그래프에 정보를 보강하는 기법이다 [S277].

## 🧩 추출된 패턴 (Extracted patterns)
- **Connect-the-dots Inference Pattern:** 서로 다른 문서에 흩어져 있는 정보를 지식 그래프의 관계망을 따라 연결하여 복합적인 질문에 답하는 추론 패턴이다 [S276, S278].
- **Global-to-Local Search Pattern:** 데이터셋 전체의 트렌드를 묻는 질문(Global)은 커뮤니티 요약을 활용하고, 특정 개체 질문(Local)은 주변 노드를 탐색하는 이원화된 검색 전략을 취한다 [S278].
- **Contextual Aggregation Pattern:** 하위 계층의 정보를 상위 커뮤니티로 종합하여 전체 코퍼스(Corpus)에 대한 요약력을 확보하는 인덱싱 패턴이다 [S277, S278].

## 📖 세부 내용 (Details)

### 1. 지식 그래프의 정의 및 RAG에서의 역할 [S276, S277]
전통적인 RAG(Naive RAG)는 문서를 독립된 벡터 조각으로 취급하여 "이 데이터셋의 주요 주제는 무엇인가?"와 같은 글로벌 질문에 취약하다. 지식 그래프는 이러한 단점을 극복하기 위해 정보를 네트워크 형태로 구조화한다. 2024년 마이크로소프트 리서치가 발표한 **GraphRAG**는 문서를 단순 벡터가 아닌 지식 그래프 형태로 인덱싱하여 정보 간의 연결 관계를 복원하는 혁신적인 접근법을 제시했다.

### 2. 작동 메커니즘: 인덱싱 및 쿼리 프로세스 [S277, S278]
*   **인덱싱 단계:**
    1.  문서를 작은 단위(TextUnit)로 분할한다.
    2.  LLM을 호출하여 개체(Entity), 관계(Relationship), 핵심 주장(Claim)을 추출한다.
    3.  추출된 데이터를 그래프 구조로 변환하고, 알고리즘을 통해 커뮤니티로 클러스터링한다.
    4.  각 커뮤니티에 대해 LLM이 의미적 요약문을 사전 생성하여 인덱싱한다.
*   **쿼리 단계:**
    *   **로컬 검색:** 특정 개체와 직접 연결된 주변 관계와 문서를 탐색하여 상세 답변을 생성한다.
    *   **글로벌 검색:** 사전 구축된 계층적 커뮤니티 요약을 활용하여 전체적인 관점에서 정보를 종합하며, 기존 방식 대비 높은 토큰 효율성을 보인다.

### 3. 기술적 강점과 실무적 고려사항 [S278, S279]
*   **강점:** 전통적 RAG 대비 포괄성(Comprehensiveness)과 다양성(Diversity) 측면에서 70~80% 이상의 높은 승률을 보이며, 대규모 데이터셋에 대한 거시적 질의에 탁월하다.
*   **비용 및 시간:** 인덱싱 과정에서 모든 문서에 대해 LLM을 여러 번 호출해야 하므로 초기 구축 비용이 상당히 높고 시간이 오래 걸린다.
*   **인프라 통합:** 최신 GraphRAG 1.0은 LanceDB, Azure AI Search 등과 통합되어 벡터 검색의 장점과 그래프의 구조적 장점을 결합하는 형태로 진화하고 있다.

## ⚖️ 모순 및 업데이트 (Contradictions & updates)
- **벡터 검색과의 관계:** 초기에는 지식 그래프가 벡터 검색을 대체하는 것처럼 논의되었으나, 최신 업데이트(v1.0)에서는 벡터 스토어와의 통합을 통해 하이브리드 형태로 활용하는 것이 권장된다 [S279].
- **추출 모델의 의존성:** 그래프의 품질은 개체와 관계를 추출하는 LLM의 성능과 프롬프트 튜닝에 절대적으로 의존하므로, 도메인별 최적화가 필수적이다 [S279].

## 🛠️ 적용 사례 (Applied in summary)
- **Microsoft Research:** 2024년 7월 GraphRAG를 오픈소스로 공개하여 기술 표준을 주도하고 있다 [S276, S279].
- **Weaviate:** 지식 그래프와 GraphQL 기반의 복합 검색을 지원하여 정교한 지식 탐색 환경을 제공한다 [S28].
- **입찰 문서 분석 시스템:** 과거 사업 공고들 사이의 유사성과 특정 기업과의 수주 관계를 파악하기 위해 지식 그래프 기반의 전략 제안 시스템이 구축된 사례가 있다 [S274, S281].

## ✅ 검증 상태 및 신뢰도
- **상태:** draft
- **검증 단계:** conceptual (Microsoft Research의 공식 발표 및 실무 사례 기반)
- **출처 신뢰도:** A (전문 기술 블로그 및 최신 기술 동향 분석 자료)
- **신뢰 점수:** 0.94
- **중복 검사 결과:** 신규 생성 (New discovery)


## 🔗 관련 문서 링크 (Related document links)

### 상위/유사 개념
#### [아키텍처/기반 기술]
- [[RAG 아키텍처 및 파이프라인 기초]]
  - 연결 이유: 지식 그래프는 기초 RAG의 한계를 극복하기 위해 설계된 핵심 인덱싱 기술임 [S276].
- [[데이터 인덱싱 및 오케스트레이션]]
  - 연결 이유: 그래프 기반의 복잡한 인덱스 구조를 설계하고 관리하는 상위 단계임 [S277].

#### [구현 및 진화 기술]
- [[GraphRAG]]
  - 연결 이유: 지식 그래프를 RAG 파이프라인에 실질적으로 구현한 대표적 프레임워크 [S276].
- [[Agentic RAG]]
  - 연결 이유: 에이전트가 복합 추론 시 지식 그래프를 도구(Tool)로 활용함 [S281].

### 심층 후속 질문 (Deeper Research Questions)
- 그래프 인덱싱 과정에서 LLM 호출 비용을 획기적으로 낮출 수 있는 경량화된 개체 추출 알고리즘은 무엇인가? [S279]
- 지식 그래프의 노드와 엣지가 수만 개 이상일 때, 검색 지연 시간(Latency)을 최소화하기 위한 인메모리 처리 전략은? [S279, S333]
- 동적으로 변화하는 실시간 데이터(뉴스 등)를 지식 그래프에 점진적으로 반영(Incremental Indexing)하는 기술적 난제는? [S279]
- 커뮤니티 탐지 알고리즘(Leiden 등)의 하이퍼파라미터가 최종 답변의 '다양성' 지표에 미치는 정량적 상관관계는? [S277]

### 실무 적용 맥락 (Practical Application Contexts)
- **Implementation:** Microsoft의 GraphRAG Python 라이브러리를 사용하여 인덱싱 파이프라인을 시범 구축함 [S279].
- **System Design:** 복잡한 개체 관계가 중요한 법률, 수사, 기술 지원 도메인에서 우선적으로 고려함 [S274, S281].
- **Operation / Maintenance:** 도메인 전문가의 검수를 통해 개체 추출용 프롬프트를 주기적으로 고도화함 [S279, S407].
- **Learning Path:** Naive RAG의 한계 인지 → 지식 그래프 이론 학습 → GraphRAG 로컬/글로벌 쿼리 실습 [S275, S285].

### 인접 주변 주제
- [[개체 및 관계 추출]] (Entity-Relationship Extraction)
  - 확장 방향: 비정형 데이터로부터 정형화된 지식을 뽑아내는 NLP 기술의 원리 이해 [S277].

## 🔗 지식 그래프 (Knowledge Graph)
- **상위/루트:** [[RAG 아키텍처 및 파이프라인 기초]]
- **관련 개념:** [[GraphRAG]], [[계층적 요약]], [[커뮤니티 탐지]], [[Azure AI Search]]
- **참조 맥락:** 고차원적인 지식 연결과 데이터셋 전체의 통찰이 필요한 엔터프라이즈급 AI 서비스 설계 시 참조.

## 📚 출처 (Sources)
- [S28] 벡터 데이터베이스 비교 및 Weaviate 특징 (devspoon)
- [S274] 전통적 RAG의 한계와 비즈니스 요구 (CSLEE)
- [S276] 지식 그래프 기반의 혁신적 접근: GraphRAG 정의 (CSLEE)
- [S277] 지식 그래프 구축 프로세스: 인덱싱 및 커뮤니티 탐지 (CSLEE)
- [S278] 지식 그래프 검색 방식: 로컬 및 글로벌 검색 (CSLEE)
- [S279] 지식 그래프 실무 고려사항: 비용, 시간, 통합 (CSLEE)
- [S281] Agentic RAG와의 연동 사례 (CSLEE)
- [S327] Microsoft Research의 출처 추적 연구 (kt cloud)
- [S407] 모델 출력 감사 및 신뢰성 검증 (알체라)

## 📝 변경 이력 (Change history)
- 2026-06-08: Initial draft generated via Datacollector_MAC P-Reinforce engine.