#GraphRAG
11개의 포스트
뉴럴 그래프 데이터베이스: AI가 '관계'를 이해하는 시대의 데이터 관리 혁명
Freebase 인물의 94%는 출생지 정보가 없고, Wikidata 건물의 99.6%는 높이가 기록되지 않았다. 현실의 데이터는 불완전하다. 뉴럴 그래프 데이터베이스(NGDB)는 이 빈 곳을 AI로 채우겠다는 도전이다. HKUST 연구진의 NGDBench 논문을 중심으로, 그래프 데이터 관리의 과거·현재·미래를 특집으로 다룬다.
그래프 데이터베이스의 모든 것: RedisGraph의 종말에서 FalkorDB의 부상까지
관계형 DB의 한계를 넘어선 그래프 데이터베이스의 역사부터 핵심 개념, RedisGraph EOL과 FalkorDB 마이그레이션, 그리고 2026년 AI 시대의 GraphRAG까지. 풍부한 사례와 인터랙티브 시각화로 그래프 DB의 세계를 탐험합니다.
GraphRAG는 정말 효과적인가? — ICLR 2026 논문이 밝힌 9가지 진실
그래프가 RAG를 377배 비싸게 만든다면, 언제 쓸 가치가 있을까? ICLR 2026에서 발표된 GraphRAG-Bench 논문이 9개 시스템을 체계적으로 벤치마킹하여 밝혀낸 9가지 핵심 발견을 깊이 있게 분석합니다.
LangChain 완전 가이드: AI 앱의 레고 블록부터 GraphRAG 구축까지
LLM 애플리케이션 개발의 사실상 표준이 된 LangChain — 800줄짜리 사이드 프로젝트에서 유니콘 기업까지의 여정과 핵심 개념을 정리하고, LangChain으로 GraphRAG를 구축하는 실전 패턴을 단계별로 풀어본다.
KET-RAG: GraphRAG의 품질을 1/10 비용으로 — KDD 2025가 주목한 다중 해상도 인덱싱
GraphRAG는 강력하지만, 5GB 법률 문서 인덱싱에 $33,000이 든다. KET-RAG는 '모든 청크에 LLM을 돌릴 필요가 없다'는 통찰로, KG 스켈레톤과 키워드 이분 그래프를 결합해 비용을 한 자릿수 이상 줄이면서 더 나은 품질을 달성한다. KDD 2025 논문을 해부한다.
LightRAG 완전 가이드: GraphRAG의 1/100 비용으로 지식 그래프 검색을 실현하다
GraphRAG는 강력하지만 비싸다. LightRAG는 커뮤니티 계층을 없애고 듀얼 레벨 검색을 도입하여, 쿼리당 토큰 사용량을 6000배 줄이면서도 유사한 품질을 달성한다. 왜 이런 접근법이 나왔는지, 어떻게 작동하는지, 언제 써야 하는지를 논문과 사례로 풀어본다.
GraphRAG 완전 가이드: 문서를 그래프로 바꾸면 AI가 보지 못하던 것을 본다
기본 RAG가 놓치는 '전체 그림'을 어떻게 볼 것인가. Microsoft Research의 GraphRAG 논문을 중심으로, 지식 그래프가 왜 필요한지부터 실전 비용 분석, 선택 가이드까지 — 논문과 실무 사례로 풀어본다.
GraphRAG는 언제 써야 할까? — 그래프가 RAG를 이기는 순간과 지는 순간
GraphRAG가 만능이 아니라면, 정확히 언제 써야 할까? ICLR 2026 논문이 7개 GraphRAG 시스템을 벤치마킹하여 밝혀낸 '그래프가 빛나는 순간'과 '오히려 해가 되는 순간'을 깊이 있게 분석합니다.
RAG 생태계 완전 가이드: Naive RAG에서 Agentic RAG까지, 언제 무엇을 선택할 것인가
RAG는 이제 하나의 기술이 아니라 하나의 생태계다. 지식 그래프를 활용하는 GraphRAG, 스스로 판단하는 Self-RAG, 에이전트로 진화한 Agentic RAG까지 — 각 접근법이 해결하는 문제와 선택 기준을 논문 기반으로 정리한다.
GraphRAG 검색 4총사: Local, Global, DRIFT, Basic — 언제 어떤 검색을 써야 하는가
같은 지식 그래프에서도 질문의 성격에 따라 완전히 다른 검색 전략이 필요하다. GraphRAG의 네 가지 검색 모드 — Local, Global, DRIFT, Basic — 가 각각 어떤 문제를 풀기 위해 설계되었는지, 비용은 얼마나 다른지, 실전에서 어떻게 선택하는지를 사례와 함께 풀어본다.
PathRAG: 그래프에서 '경로'만 골라내면 답변이 달라진다
GraphRAG는 너무 많이 가져오고, LightRAG는 이웃을 통째로 가져온다. PathRAG는 '질문에 답하는 데 필요한 경로만' 골라내는 흐름 기반 가지치기로, 더 적은 토큰으로 더 논리적인 답변을 만든다. 논문의 핵심 아이디어부터 실전 비교까지 풀어본다.