GraphRAG
GraphRAG는 LLM이 먼저 문서 컬렉션에서 지식 그래프를 만들고 관련된 개체 묶음의 요약을 쓴 뒤, 그 요약과 그래프 연결을 이용해 질문에 답하는 검색 방식입니다.
다른 이름: graph RAG
작성 Divya Sharma · 2026년 11월 15일 확인 · 리뷰 방식
표준 검색 증강 생성은 질문과 비슷한 구절 몇 개를 가져옵니다. "환불 기간은 얼마인가?"에는 통하지만 "이 수천 건의 인터뷰에 걸친 주요 주제는 무엇인가?"에는 실패합니다. 어느 한 구절에도 답이 들어 있지 않기 때문입니다. GraphRAG는 이런 말뭉치 전체에 대한 질문을 다루기 위해 Microsoft 연구자들이 2024년에 제안했습니다.
작동 방식
색인은 두 단계로 이루어집니다. LLM이 모든 청크를 읽고 개체와 관계를 추출해 지식 그래프를 만듭니다. 그다음 그래프를 긴밀하게 연결된 개체들의 커뮤니티로 나누고, LLM이 커뮤니티마다 요약을 씁니다. 전역적인 질문에 답할 때는 관련된 커뮤니티 요약마다 부분 답을 만들고, 이를 합쳐 최종 응답을 냅니다. 좁은 질문에는 로컬 모드가 일치하는 개체에서 시작해 이웃을 따라갑니다.
기법과 저장소
"GraphRAG"는 방법의 이름이자 Microsoft의 오픈소스 구현의 이름이며, 후자는 GraphRAG에서 리뷰했습니다. LightRAG 같은 관련 프로젝트는 더 가벼운 색인 단계로 비슷한 개념을 씁니다.
장단점
LLM이 말뭉치 전체를, 흔히 두 번 이상 처리하므로 색인 비용이 크고, 문서가 바뀌면 그래프를 다시 만들거나 갱신해야 합니다. 추출 품질이 답의 품질을 제한합니다. 단순 조회에는 하이브리드 검색을 곁들인 일반 RAG 가 더 저렴하고 대개 똑같이 좋습니다. 지식 그래프 가이드에서 도구를 다룹니다.
관련 용어
- 지식 그래프
- 지식 그래프(knowledge graph)는 정보를 이름 붙은 관계로 연결된 개체(사람, 제품, 장소, 개념)로 저장해, 소프트웨어가 느슨한 텍스트를 뒤지는 대신 사실 사이의 연결을 따라갈 수 있게 합니다.
- 검색 증강 생성(Retrieval-augmented generation)
- 검색 증강 생성(retrieval-augmented generation, RAG)은 시스템이 먼저 문서 모음에서 질문과 관련된 구절을 검색한 뒤, 그 구절을 언어 모델에 주어 답변이 이를 바탕으로 하게 하는 패턴입니다.
- 에이전틱 RAG
- 에이전틱 RAG(agentic RAG)는 AI 에이전트가 실행하는 검색 증강 생성입니다. 에이전트가 언제 검색할지, 무엇을 검색할지, 어떤 출처를 쓸지 정하고, 처음 결과가 부족하면 다시 검색할 수 있습니다.
- 하이브리드 검색
- 하이브리드 검색(hybrid search)은 같은 질의로 키워드 검색과 벡터 검색을 함께 실행하고 두 순위 목록을 합쳐, 결과가 정확한 단어와 의미 모두로 일치할 수 있게 합니다.
- 청킹
- 청킹(chunking)은 긴 문서를 임베딩하고 색인하기 전에 더 작은 구절로 나누는 단계로, 검색 시스템이 문서 가운데 질의에 답하는 부분만 찾아 돌려줄 수 있게 합니다.