GraphRAG는 지식 그래프와 검색 증강 생성을 결합한 방법입니다. 먼저 문서 집합에서 엔터티, 관계, 이벤트를 추출하여 연결 가능한 그래프를 만들고, 그래프 내 커뮤니티와 계층별로 요약을 생성합니다. "전체 데이터베이스의 주요 주제는 무엇이며, 서로 다른 조직들은 어떻게 연관되어 있나요?"와 같은 문서 간 질문을 받을 때, 전통적인 RAG보다 전체 구조를 더 쉽게 볼 수 있습니다. RAG는 몇 개의 유사한 텍스트 블록만 찾기 때문입니다.
전통적인 RAG가 빠지기 쉬운 문제들은 무엇인가요?
일반 RAG는 쿼리를 벡터로 변환하고, 가장 유사한 조각들을 회상한 후 모델에 답변을 제공합니다. 이는 계약 종료일과 같은 사실을 명확히 하는 데 이상적입니다; 하지만 전 세계적인 문제의 증거는 수십 개의 문서에 흩어져 있을 수 있으며, 문제와 매우 유사한 단일 조각은 없다. 몇몇 고위 클립만 찍으면 지역적이고 빈도가 높은 콘텐츠를 전체 결론으로 오해하기 쉽습니다.
GraphRAG의 일반적인 인덱싱 프로세스는 더 무겁습니다:
- 원본 문서를 분리하여 사람, 기관, 장소, 개념 및 그들의 관계를 추출하세요.
- 개체와 관계를 그래프로 조직하고, 커뮤니티 발견을 통해 밀접하게 연결된 그룹을 식별합니다.
- 요약본은 다양한 수준의 지역사회를 위해 준비되며, 지역 사실과 전 세계적인 주제를 보존합니다.
- 쿼리 중에 관련된 단체, 커뮤니티 또는 요약을 선택한 후 최종 답변으로 요약하세요.
벡터 검색을 완전히 없애는 것이 아니라, 전통적인 RAG 조각 회상에 관계적이고 계층적인 관점을 추가하는 것입니다.
언제 지도 제작 비용을 지불할 가치가 있을까요?
정책 파일, 연구 자료, 고객 인터뷰, 설문 보고서와 같은 문서 모음에는 문서 간 관계, 주제 변화, 그룹 패턴이 포함되어 있어 GraphRAG를 통한 전역 요약에 적합합니다. 사용자가 개별 제품 매개변수, 정확한 용어, 최신 기록만 문의한다면, 일반 키워드 및 벡터 검색이 보통 더 직접적이고 저렴합니다.
스펙트럼의 품질은 엔터티 동음이의성 해소와 관계 추출에 따라 달라집니다. 같은 이름을 가진 사람들이 병합되지 않거나, 같은 기관이 여러 노드로 나뉘거나, 모델이 관계를 조작하면 이후 커뮤니티 요약에서 오류가 더욱 심각해질 수 있습니다. 인덱스는 추가적인 모델 호출, 저장, 업데이트 프로세스도 필요하며; 문서가 자주 변경되면 재작성이 큰 비용이 될 수 있습니다.
또한 원본 텍스트 증거를 대체할 수 없습니다
커뮤니티 요약은 원본 사실 자체가 아니라 데이터를 압축한 것입니다. 신뢰할 수 있는 시스템은 노드에서 문서 조각으로의 소스 매핑을 유지하여 사용자가 원본 텍스트를 검증할 수 있어야 합니다; 번호, 날짜, 준수 판단에 대해서도 정확한 단편 회수에 우선순위를 두어야 합니다.
GraphRAG를 선택하는 기준은 '그래프가 더 발전된 것처럼 들리는' 것이 아니라, 문서 간 관계와 글로벌 주제가 정말 필요한지 여부입니다. 먼저, 대표성 질문을 사용해 전통적인 RAG와 GraphRAG 간의 커버리지, 증거 추적성, 색인 비용, 업데이트 시간을 비교했고, 이후 복잡한 파이프라인 도입 여부를 결정했습니다.
