AI 용어집 · 심화 · 언어 모델
GraphRAG 그래프 RAG
GraphRAG는 문서 속 사람·회사·개념 같은 대상과 그 관계를 '지식 그래프'로 정리한 다음, 이 구조를 활용해 AI가 질문에 답하도록 돕는 검색 증강 생성(RAG) 방식이다. 흩어진 정보를 서로 잇거나 문서 전체를 아우르는 질문에 특히 강하다.
무엇인가/무엇이 다른가
RAG는 AI가 답하기 전에 외부 문서에서 관련 내용을 찾아 참고하게 하는 기법이다. 일반적인 RAG는 질문과 뜻이 비슷한 짧은 글 조각을 찾아오는데, 이 방식은 '이 자료 전체의 주요 주제는 무엇인가'처럼 전체를 훑어야 하는 질문이나, 여러 곳에 흩어진 정보를 이어야 하는 질문에 약하다. GraphRAG는 문서를 그냥 조각내는 데서 그치지 않고, 그 안의 대상(엔티티)과 관계를 뽑아 그물망 같은 지식 그래프로 정리한다. 이렇게 만든 구조를 검색과 답변에 함께 활용한다는 점이 핵심 차이다.
어떻게 작동하나
Microsoft가 공개한 GraphRAG를 기준으로 보면, 먼저 문서를 분석하기 좋은 작은 단위로 나눈다. 그다음 LLM이 각 조각에서 대상과 관계를 뽑아 지식 그래프를 만든다. 서로 밀접하게 연결된 대상들을 '커뮤니티'라는 묶음으로 계층적으로 나누고, 묶음마다 요약을 미리 써 둔다. 질문이 들어오면 각 묶음 요약으로 부분 답을 만들고, 이 부분 답들을 다시 모아 최종 답을 정리한다.
어떻게 발전해 왔나
2024년 Darren Edge 등이 발표한 'From Local to Global: A Graph RAG Approach to Query-Focused Summarization'은 GraphRAG라는 이름을 널리 알린 논문으로, 지식 그래프와 커뮤니티 요약을 이용해 문서 전체를 아우르는 질문에 답하는 방법을 새로 제안했다. 같은 해 나온 RAPTOR는 글 조각을 묶고 요약하기를 반복해 나무 모양의 요약 구조를 만들고, 거기서 여러 수준의 요약을 검색하는 방법을 내놓았다. GRAG는 논문 인용망이나 소셜 미디어처럼 원래부터 서로 연결된 문서에서, 관련된 작은 그래프 덩어리를 효율적으로 찾아 글 내용과 연결 구조를 함께 LLM에 넣는 방법을 제안했다. 이 연구들은 모두 '짧은 조각만 찾아오는 RAG의 한계'를 구조화된 정보로 보완하려는 흐름에 있다.
왜 주목받나
기업이 AI에게 사내 문서, 연구 자료, 업무 기록처럼 모델이 학습 때 본 적 없는 데이터를 다루게 하려는 수요가 커지고 있다. 이런 자료에서는 '여러 정보를 잇는 질문'이나 '전체를 요약하는 질문'이 많아서 일반 RAG만으로는 부족한 경우가 생긴다. Microsoft는 GraphRAG가 이런 두 종류의 질문에서 기존 RAG보다 크게 나아진 결과를 보였다고 밝혔다. 그래프 데이터베이스 회사들도 GraphRAG를 AI 에이전트용 지식 기반으로 내세우고 있다.
알아 둘 점(한계)
그래프를 만들고 요약을 미리 써 두려면 LLM을 많이 호출해야 해서 준비 비용과 시간이 든다. LLM이 대상이나 관계를 잘못 뽑으면 그 오류가 그래프에 남아 답변까지 이어질 수 있다. 문서가 바뀌면 그래프와 요약도 다시 갱신해야 한다. 간단한 사실 확인 질문이라면 일반 RAG로도 충분할 때가 많으니, 질문 유형에 따라 골라 쓰거나 섞어 쓰는 편이 좋다.
예시
예를 들어 한 회사가 수년 치 회의록과 보고서를 AI 비서에 연결했다고 해 보자. '작년에 가장 자주 논의된 리스크는 무엇이었나'라는 질문은 특정 문장 하나로는 답할 수 없다. GraphRAG를 쓰면 프로젝트·부서·리스크 사이의 관계 그래프와 주제별 요약을 바탕으로 문서 전체를 아우르는 답을 만들 수 있다. Microsoft는 GraphRAG를 오픈소스 도구로 공개했고, Neo4j 같은 그래프 데이터베이스 회사도 GraphRAG 구축 기능을 제공하고 있다.