# [[그래프 RAG (GraphRAG)]]

## 📌 Brief Summary
그래프 RAG(GraphRAG)는 지식을 평면적인 텍스트 덩어리(chunk)가 아닌 개체-관계(entity-relationship) 그래프 구조로 구성하여 검색하는 기술이다 [1, 2]. 마이크로소프트에 의해 도입되었으며, 단순한 텍스트 유사성보다 개체 간의 연결성과 관계가 중요할 때 특히 유용하게 활용된다 [1, 2]. 이를 통해 기존의 순수 벡터 검색이 놓칠 수 있는 정보 간의 연관성을 파악하고, 복잡한 다중 홉(multi-hop) 질의나 주제 수준(theme-level)의 질문에 효과적으로 답변할 수 있다 [2].

## 📖 Core Content
* **그래프 기반 지식 구조화**: 문서를 단순한 텍스트 덩어리로 다루지 않고 개체(Entity)와 그들 간의 관계를 나타내는 지식 그래프로 변환한다 [2]. 이는 복잡한 다단계 추론이 필요한 대규모 지식 베이스 검색에 유리하게 작용한다 [1].
* **계층적 커뮤니티 탐지**: GraphRAG에 적용된 계층적 커뮤니티 탐지(Leiden 알고리즘 등) 기술은 연관된 개체들을 커뮤니티로 묶어 독립적으로 요약할 수 있도록 지원한다 [3]. 이를 통해 수천 개의 개별 문서를 일일이 검색하지 않고도 전체 데이터를 관통하는 포괄적인 질문(예: "모든 직원 피드백에서 나타나는 주제는 무엇인가?")에 답변할 수 있게 해준다 [3].
* **다중 홉(Multi-hop) 추론 능력**: 여러 이기종 데이터 소스를 넘나들며 추론해야 하는 다중 홉 질문에 대한 답변 능력이 뛰어나다 [2]. 금융 서비스 펌 등에서는 순수 벡터 검색으로는 찾아낼 수 없는 다양한 개체 연결성을 탐색하고 규정 준수 위험 등을 파악하는 데 이 기술을 사용한다 [2].
* **산업적 활용 전망**: 2024년에 추론 능력을 극적으로 향상시킨다는 사실이 입증되었으며, 2026년부터 규제 준수 및 가버넌스 도구와 맞물려 본격적인 산업적 활용이 시작될 것으로 전망된다 [4, 5].

## ⚖️ Trade-offs & Caveats
* **높은 구축 및 유지 비용**: 지식 그래프를 추출하고 유지하는 과정은 비용이 매우 많이 들며, 기존 베이스라인 RAG와 비교했을 때 LLM 호출 등으로 인해 3~5배 더 많은 비용이 발생한다 [2, 6, 7]. 이를 완화하기 위해서는 전체 그래프를 재구축하는 대신 점진적 업데이트나 캐싱, 일괄 처리 기법을 도입해야 한다 [7].
* **개체 추출의 노이즈 및 부정확성 위험**: 지식 그래프를 추출할 때 잘못되거나 노이즈가 섞인 개체 관계를 생성하여 거짓 연결(false connection)을 유발할 위험이 있다 [7]. 개체 인식 정확도는 도메인의 특수성에 따라 60~85% 수준으로 변동성이 크다 [2].
* **도메인 특화 튜닝 및 인간의 개입 필요성**: 시스템이 정확하게 작동하려면 특정 도메인에 맞춘 세밀한 튜닝 작업이 필수적으로 요구된다 [6]. 부정확성을 해결하기 위해 다중 추출 모델을 이용한 개체 검증 파이프라인을 구축하거나, 신뢰도가 낮은 관계에 대해서는 인간의 검토를 거치는 등의 보완책이 필요하다 [7].

---
*Last updated: 2026-05-04*