🎮60분
왜 LLM 단독으로는 안 되는가
GraphRAG 와 Text2Cypher
왜 LLM 단독으로는 안 되는가
GraphRAG 와 Text2Cypher > GraphRAG 와 Text2Cypher
학습 목표
- LLM 과 그래프의 역할 분리를 이해한다
- 검색 증강과 쿼리 생성 두 경로를 구분한다
- 우리 CQ 성격에 맞는 경로를 판단한다
Interactive Simulator
왜 LLM 단독으로는 안 되는가
클릭하여 시뮬레이터를 실행하세요
왜 LLM 단독으로는 안 되는가
LLM에게 "한바다호 접안이 왜 늦었어?"라고 직접 물으면 유창하고 그럴듯하며 검증 불가능한 답이 나옵니다. LLM은 훈련 데이터의 확률로 말할 뿐, 우리 항만의 8/13 적재분을 모릅니다.
반대로 그래프는 사실을 알지만 Cypher를 아는 사람에게만 말합니다.
GraphRAG는 이 둘의 결혼입니다 — LLM은 언어를, 그래프는 사실을 담당합니다. 역할이 섞이는 순간(LLM이 사실을 "기억"으로 말하는 순간) 할루시네이션이 시작되므로, 이 모듈 전체는 역할 분리를 아키텍처로 강제하는 기술입니다.
코스 1에서 봤듯 이 방향(KG+LLM)은 2024~2025 연구 전선 그 자체입니다(STK-LLM, VTS-LLM, KG-QA). 우리는 거기에 운영형 KG의 규율 — 출처 강제, 신선도 명시, 음성 처리 — 를 더합니다.
두 경로 — 검색 증강 vs 쿼리 생성
GraphRAG라는 말은 두 가지 다른 아키텍처를 뭉뚱그립니다.
| 경로 A: 그래프 검색 증강 | 경로 B: Text2Cypher | |
|---|---|---|
| 방식 | 질문과 관련된 서브그래프를 검색해 컨텍스트로 주입, LLM이 읽고 답변 | LLM이 질문을 Cypher로 번역, DB가 실행, 결과로 답변 조립 |
| 강점 | 서술형·요약형 질문("이 선박에 대해 알려줘") | 정량·조건·집계 질문("2시간 이상 지연은 몇 건?") |
| 약점 | 컨텍스트 밖 사실을 지어낼 여지 | 스키마를 모르면 잘못된 쿼리 생성 |
| 결정성 | 낮음 (LLM이 읽고 재구성) | 높음 (DB 결과가 곧 사실) |
우리의 선택
경로 B(Text2Cypher)를 기본으로, 경로 A는 결과 서술 단계에만 제한 사용.
이유는 CQ의 성격입니다 — 코스 2에서 만든 50선의 **대부분이 조건·집계·경로형(정량)**이고, 결정성이 높을수록 출처 강제가 쉽습니다.
LLM이 그래프를 "읽고 이해"하게 하는 대신, 그래프에 질문을 "전달"하는 통역사로 역할을 좁힙니다.
실습
- 시뮬레이터에서 같은 질문을 벡터 검색과 그래프 방식으로 던져 결과를 비교합니다.
- 1-hop 질문은 벡터도 잘 답합니다 — 차이는 다중 홉에서 벌어집니다. 어느 지점부터 벌어지는지 직접 확인하세요.
- ⚠️ GraphRAG가 항상 낫지는 않습니다. 그래프 품질이 낮으면 오히려 나쁩니다 — 앞 코스의 검증 체계가 이 시스템의 전제 조건인 이유입니다.