---
title: "GraphRAG (KO)"
source: "https://systems-analysis.info/int/GraphRAG_(KO)"
wiki: "systems-analysis.info/int"
article: "GraphRAG_(KO)"
language: "ko"
categories:
- "Category:Korean"
- "Category:Large language models"
- "Category:Prompt engineering"
revision_id: 2736
wiki_created_at: 2026-09-06T23:10:15Z
wiki_modified_at: 2026-09-06T23:10:15Z
downloaded_at: 2026-09-07T22:53:01Z
---
# GraphRAG (KO)
**GraphRAG** — 이것은 개선된 **Retrieval-Augmented Generation (RAG)** 패러다임으로, 전통적인 분산된 텍스트 조각(청크) 검색 대신 지식 그래프(*Knowledge Graph, KG*)를 활용합니다[\[1\]](https://systems-analysis.info/int/GraphRAG_(KO)#cite_note-zhang2025-1). 그래프 구조는 개체 간의 관계와 도메인 개념의 계층 구조를 명시적으로 표현하며, 이를 통해 LLM이 다단계 논리적 지식 추출을 수행하고 더욱 맥락 인식적이며 설명 가능한 답변을 생성할 수 있게 합니다[\[2\]](https://systems-analysis.info/int/GraphRAG_(KO)#cite_note-linkedin2024-2).
GraphRAG 접근 방식은 복잡한 다단계(*multi‑hop*) 질의 처리에서 고전적인 RAG에 비해 상당한 이점을 보여줍니다. 이러한 질의에서는 여러 문서에 흩어져 있는 여러 사실의 조합에 따라 답변이 결정됩니다[\[3\]](https://systems-analysis.info/int/GraphRAG_(KO)#cite_note-hu2024-3).
## 고전적 RAG의 한계와 그래프의 장점
비구조적 텍스트에 대한 벡터 검색 기반의 고전적 RAG는 복잡한 기업 시나리오에서 치명적이 되는 몇 가지 근본적인 한계에 직면합니다:
- **구조적 관계의 부재:** 전통적인 RAG는 텍스트 청크를 독립된 단위로 처리하며 그 사이의 명시적 관계를 파악하지 못합니다. 이로 인해 사실 연쇄(A→B→C)를 따라가야 하는 *multi‑hop* 질의에 비효율적입니다. 검색은 시작과 끝 연결고리(A와 C)만 찾고 중간 단계를 놓치게 됩니다[\[1\]](https://systems-analysis.info/int/GraphRAG_(KO)#cite_note-zhang2025-1).
- **의미적 모호성:** 전문 분야(의학, 법률, 공학)에서 용어는 특수한 의미를 가집니다. 전반적인 주제를 포착하는 벡터 검색은 특정 개체의 역할을 잘못 해석하여 관련 없는 컨텍스트를 추출할 수 있습니다.
- **제한된 설명 가능성:** 고전적 RAG는 문서 조각을 제공하지만 이 조각들이 논리적 연쇄로 어떻게 연결되는지에 대한 명시적 증거는 제공하지 않습니다. 반면 GraphRAG는 그래프 내 경로를 증거로 제공하고 주장을 출처(인용)에 연결하도록 요구함으로써 이 과정을 투명하게 만듭니다[\[4\]](https://systems-analysis.info/int/GraphRAG_(KO)#cite_note-webgpt-4).
**GraphRAG**는 지식을 연결된 개체와 관계의 네트워크로 표현함으로써 이러한 문제를 해결합니다. 이를 통해 시스템은 단순히 유사한 텍스트를 찾는 것이 아니라 형식화된 도메인 모델을 기반으로 논리적 추론을 수행할 수 있습니다.
## GraphRAG 아키텍처
GraphRAG의 전체 파이프라인은 지식 그래프 구축 및 활용 단계를 추가하여 고전적 RAG를 확장합니다. 두 가지 주요 단계로 나뉩니다: 오프라인 준비와 온라인 질의 처리.
### 단계 1: 수집 및 인덱싱 (오프라인)
이 단계에서 원본 데이터(문서, 데이터베이스)는 상호 보완적인 두 가지 표현으로 변환됩니다: 그래프 표현과 벡터 표현.
1. **지식 추출:** NLP 파이프라인을 사용하여 텍스트에서 구조화된 사실을 추출합니다:
- **Named Entity Recognition (NER):** 개체 언급(사람, 조직, 제품) 탐색.
- **Entity Linking (EL):** 모호성 해소를 위해 언급을 그래프 내 정규 식별자와 연결합니다(예: "홍길동"과 "길동 홍"이 하나의 노드가 됨)[\[5\]](https://systems-analysis.info/int/GraphRAG_(KO)#cite_note-yang2025-5).
- **Relation Extraction (RE):** 개체 간 관계 식별(예: *회사 X* −*인수했다*→ *스타트업 Y*).
2. **그래프 모델링 및 저장:** 추출된 트리플(주어-술어-목적어)을 그래프 데이터베이스에 로드합니다. 모델 선택(**Property Graph** 또는 **RDF**)은 과제에 따라 달라집니다. 각 사실의 **출처**(*provenance*) — 원본 문서와 텍스트 조각에 대한 참조 — 를 저장하는 것이 매우 중요합니다[\[3\]](https://systems-analysis.info/int/GraphRAG_(KO)#cite_note-hu2024-3). 그래프에는 **시간**(*valid_from/valid_to*) 및 **신뢰도**(*confidence*)에 관한 메타데이터도 추가될 수 있습니다.
3. **하이브리드 인덱싱:** 그래프와 병행하여 원본 텍스트 조각에 대한 벡터 인덱스가 생성됩니다. 이를 통해 그래프에 대한 구조적 검색과 텍스트에 대한 의미적 검색을 결합할 수 있습니다.
### 단계 2: 질의 처리 및 답변 생성 (온라인)
1. **질의 파싱:** 사용자 질의를 분석하여 그래프의 "진입점"이 되는 핵심 개체를 추출합니다.
2. **서브그래프 추출:** 개별 청크를 검색하는 대신 GraphRAG는 **관련 서브그래프** — 답변에 필요한 정보를 포함하는 "진입점" 주변의 연결된 그래프 조각 — 를 찾습니다. 이를 위해 **k‑hop 탐색** 또는 **Personalized PageRank (PPR)**[\[6\]](https://systems-analysis.info/int/GraphRAG_(KO)#cite_note-song2023-6)과 같은 알고리즘이 사용됩니다.
3. **하이브리드 검색 및 결과 병합:** 서브그래프 추출과 병행하여 벡터 및/또는 어휘(BM25) 인덱스 검색이 수행됩니다. 그래프와 텍스트의 결과가 결합되어 다음 단계로 전달됩니다.
4. **재순위 결정(Re‑ranking):** 결합된 후보 목록(그래프 노드와 텍스트 청크)은 가장 관련성 높은 정보를 선별하기 위해 더 정밀한 모델(예: 교차 인코더)을 사용하여 재순위가 결정됩니다. 이를 통해 노이즈를 필터링하고 정확도를 높일 수 있습니다[\[7\]](https://systems-analysis.info/int/GraphRAG_(KO)#cite_note-nogueira2019-7).
5. **컨텍스트 패키징 및 생성:** 선별되고 순위가 결정된 컨텍스트(서브그래프와 텍스트)는 LLM이 이해할 수 있는 형식(예: 출처가 명시된 주장 목록)으로 변환됩니다. 이 풍부한 컨텍스트가 최종 답변 생성을 위한 프롬프트에 입력됩니다.
6. **추적 및 인용:** 그래프 내 "사실 ↔ 출처" 연결 덕분에 생성된 답변에는 각 주장을 뒷받침하는 문서에 대한 정확한 참조가 포함됩니다. 이를 통해 높은 근거성과 투명성이 보장됩니다.
## 구성 요소 비교 표
| 구성 요소/측면 | 구현 옵션 | 장점 | 단점/위험 | 선호되는 경우 |
|------------------|-------------------------------------------------|-------------------------------------------------------------------------------------------------------------------------------------------------------|---------------------------------------------------------------------------------------------------------------------------------------------------|-----------------------------------------------------------------------------------|
| 지식 그래프 모델 | **RDF/OWL** | 엄격한 온톨로지, 논리적 추론(reasoning), Linked Open Data와의 호환성. | 추가 개체(reification) 없이 관계 속성(시간, 출처)을 저장하기 어려움. | 기존 온톨로지가 있는 의미적으로 풍부한 도메인; 연역이 필요한 경우. |
| | **Property Graph** (Neo4j 등) | 유연성, 노드/엣지에 임의 속성 부여 가능, 높은 성능. | 명확한 스키마를 수동으로 설계해야 하거나 "혼란"의 위험; 단일 표준 없음. | 비구조적 데이터로의 빠른 시작; 문서와의 통합(multi‑model DB). |
| 서브그래프 추출 | **k‑hop BFS / DFS** | 깊이 k까지 모든 노드를 포괄하며 구현이 간단함. | 그래프 "폭발": 노드 수의 급격한 증가; 많은 노이즈를 반환할 수 있음. | 소규모 그래프 또는 깊이 1–2 탐색; 계층적 구조. |
| | **Personalized PageRank (PPR)** | 실제로 연결된 노드에 집중하며 노이즈를 걸러냄[\[6\]](https://systems-analysis.info/int/GraphRAG_(KO)#cite_note-song2023-6). | 중요하지만 멀리 있는 노드를 놓칠 수 있음(경로가 적지만 중요한 경우). | 다양한 경로가 있는 복잡한 네트워크(소셜 그래프, 인용 그래프). |
| 하이브리드 검색 | **결합 목록** (가중치 λ를 사용한 scalar fusion) | λ 가중치 조정으로 과제에 맞게 precision/recall 균형 조정 가능[\[8\]](https://systems-analysis.info/int/GraphRAG_(KO)#cite_note-hsu2025-8). | 고정된 λ는 모든 유형의 질의에 최적이 아님. | 프로토타이핑 단계; 하나의 출처가 명백히 더 중요한 경우. |
| | **Cross‑encoder rerank** | 정확도의 상당한 향상; 복잡한 상호 관계 고려 가능. | 지연 시간 증가; 학습 데이터 또는 기성 모델 사용 필요[\[7\]](https://systems-analysis.info/int/GraphRAG_(KO)#cite_note-nogueira2019-7). | 최대한 관련성 높은 컨텍스트가 중요한 고정밀(high‑precision) 시나리오(법률, 의료). |
| 데이터 보안 | **서브그래프 필터링** (RBAC/ABAC) | 세분화된 제어(노드 수준까지)로 누출 방지. | "사각지대": 중요한 노드가 제거된 경우 답변이 불완전해질 수 있음. | 엄격한 접근 요건이 있는 기업 환경(PII, GDPR, 영업 비밀). |
GraphRAG 아키텍처 핵심 구성 요소 비교 분석
## 추적, 신뢰 및 보안
GraphRAG의 주요 장점 중 하나는 **투명한 증거 연쇄**를 제시할 수 있다는 점입니다. "블랙박스" 답변 대신 시스템은 추론 경로를 보여줄 수 있습니다: "사실 A는 \[doc1\]에 언급되어 있습니다. 이것은 사실 B \[doc2\]와 연결되어 있으며, B는 \[doc3\]에 따라 C로 이어집니다" — 이는 사용자의 신뢰를 높이고 디버깅을 용이하게 합니다.
또한 그래프 구조를 통해 세분화된 **접근 제어**(RBAC/ABAC)를 구현할 수 있습니다. 그래프의 각 노드 또는 엣지에 접근 레이블이 있을 수 있습니다. 서브그래프 추출 시 시스템은 사용자가 접근 권한이 없는 데이터를 자동으로 필터링하여 민감한 분야(금융, HR, 의료)에서의 보안을 보장합니다.
## 품질 평가
GraphRAG 시스템의 평가는 다단계로 이루어지며 각 구성 요소에 대한 지표를 포함합니다:
- **지식 추출 지표:** 그래프 구축 품질을 평가하기 위한 NER 및 RE의 F1‑score.
- **서브그래프 추출 지표:** *Subgraph Recall@K*(답변에 필요한 노드/엣지가 추출된 서브그래프에 포함된 비율)와 multi‑hop 질문을 위한 *Path Precision/Recall*.
- **LLM 답변 지표:**
- **Faithfulness / Groundedness:** 답변이 제공된 컨텍스트에 얼마나 엄격하게 기반하는지.
- **Human evaluation:** 정확성, 완전성, 일관성 기준에 따른 전문가 평가.
평가 자동화를 위해 특화된 benchmark(예: *WebQuestionsSP*, *GrailQA*)와 프레임워크(예: *RAGAS*)가 사용됩니다[\[9\]](https://systems-analysis.info/int/GraphRAG_(KO)#cite_note-ragas2024-9).
## 같이 보기
- Retrieval‑Augmented Generation (RAG)
- 지식 그래프
- 벡터 데이터베이스
- Embedding
- AI 에이전트
- LLM 평가 및 benchmark
## 참고 문헌
- Zhang, Q. et al. (2025). *A Survey of Graph Retrieval‑Augmented Generation for Customized Large Language Models*. arXiv:2501.13958.
- Xu, Z. et al. (2024). *Retrieval‑Augmented Generation with Knowledge Graphs for Customer Service Question Answering*. arXiv:2404.17723.
- Hu, Y. et al. (2024). *GRAG: Graph Retrieval‑Augmented Generation*. arXiv:2405.16506.
- Nakano, R. et al. (2021). *WebGPT: Browser‑assisted Question‑Answering with Human Feedback*. arXiv:2112.09332.
- Yang, R. et al. (2025). *KG‑IRAG: A Knowledge Graph‑Based Iterative Retrieval‑Augmented Generation Framework for Temporal Reasoning*. arXiv:2503.14234.
- Song, Y. et al. (2023). *Advancements in Complex Knowledge Graph Question Answering: A Survey*. DOI:10.3390/electronics12214395.
- Nogueira, R.; Cho, K. (2019). *Passage Re‑ranking with BERT*. arXiv:1901.04085.
- Hsu, H.‑L.; Tzeng, J. (2025). *DAT: Dynamic Alpha Tuning for Hybrid Retrieval in Retrieval‑Augmented Generation*. arXiv:2503.23013.
- Lewis, P. et al. (2020). *Retrieval‑Augmented Generation for Knowledge‑Intensive NLP Tasks*. arXiv:2005.11401.
- Karpukhin, V. et al. (2020). *Dense Passage Retrieval for Open‑Domain Question Answering*. arXiv:2004.04906.
- Sun, H. et al. (2018). *Open‑Domain Question Answering Using Early Fusion of Knowledge Bases and Text (GRAFT‑Net)*. arXiv:1809.00782.
- Sun, H.; Bedrax‑Weiss, T.; Cohen, W. W. (2019). *PullNet: Open‑Domain Question Answering with Iterative Retrieval on Knowledge Bases and Text*. arXiv:1904.09537.
- He, X. et al. (2024). *G‑Retriever: Retrieval‑Augmented Generation for Textual Graph Understanding and Question Answering*. arXiv:2402.07630.
- Es, S.; James, J.; Espinosa‑Anke, L.; Schockaert, S. (2024). *RAGAs: Automated Evaluation of Retrieval Augmented Generation*. ACL:2024.eacl-demo.16.
## 주석
1. ↑ [1.0](https://systems-analysis.info/int/GraphRAG_(KO)#cite_ref-zhang2025_1-0) [1.1](https://systems-analysis.info/int/GraphRAG_(KO)#cite_ref-zhang2025_1-1) Zhang, Q., et al. *A Survey of Graph Retrieval-Augmented Generation for Customized Large Language Models*. arXiv, 2025. arXiv:2501.13958.
2. [↑](https://systems-analysis.info/int/GraphRAG_(KO)#cite_ref-linkedin2024_2-0) Xu, Z., et al. *Retrieval-Augmented Generation with Knowledge Graphs for Customer Service Question Answering*. SIGIR, 2024. arXiv:2404.17723; DOI: 10.1145/3626772.3661370.
3. ↑ [3.0](https://systems-analysis.info/int/GraphRAG_(KO)#cite_ref-hu2024_3-0) [3.1](https://systems-analysis.info/int/GraphRAG_(KO)#cite_ref-hu2024_3-1) Hu, Y., et al. *GRAG: Graph Retrieval‑Augmented Generation*. arXiv, 2024. arXiv:2405.16506; также в Findings of NAACL 2025: ACL Anthology.
4. [↑](https://systems-analysis.info/int/GraphRAG_(KO)#cite_ref-webgpt_4-0) Nakano, R., et al. *WebGPT: Browser‑assisted question‑answering with human feedback*. arXiv, 2021. arXiv:2112.09332.
5. [↑](https://systems-analysis.info/int/GraphRAG_(KO)#cite_ref-yang2025_5-0) Yang, R., et al. *KG‑IRAG: A Knowledge Graph‑Based Iterative Retrieval‑Augmented Generation Framework for Temporal Reasoning*. arXiv, 2025. arXiv:2503.14234.
6. ↑ [6.0](https://systems-analysis.info/int/GraphRAG_(KO)#cite_ref-song2023_6-0) [6.1](https://systems-analysis.info/int/GraphRAG_(KO)#cite_ref-song2023_6-1) Song, Y., Li, W., Dai, G., Shang, X. *Advancements in Complex Knowledge Graph Question Answering: A Survey*. *Electronics*, 2023. DOI: 10.3390/electronics12214395.
7. ↑ [7.0](https://systems-analysis.info/int/GraphRAG_(KO)#cite_ref-nogueira2019_7-0) [7.1](https://systems-analysis.info/int/GraphRAG_(KO)#cite_ref-nogueira2019_7-1) Nogueira, R., Cho, K. *Passage Re‑ranking with BERT*. arXiv, 2019. arXiv:1901.04085.
8. [↑](https://systems-analysis.info/int/GraphRAG_(KO)#cite_ref-hsu2025_8-0) Hsu, H.‑L.; Tzeng, J. *DAT: Dynamic Alpha Tuning for Hybrid Retrieval in Retrieval‑Augmented Generation*. arXiv, 2025. arXiv:2503.23013.
9. [↑](https://systems-analysis.info/int/GraphRAG_(KO)#cite_ref-ragas2024_9-0) Es, S.; James, J.; Espinosa Anke, L.; Schockaert, S. *RAGAs: Automated Evaluation of Retrieval Augmented Generation*. EACL (System Demonstrations), 2024. ACL:2024.eacl-demo.16; также preprint: arXiv:2309.15217.