40분

GraphRAG: LLM + Knowledge Graph의 시너지

GraphRAG 통합

학습 목표

GraphRAG의 개념과 기존 RAG 대비 장점을 이해한다 GraphRAG 아키텍처의 핵심 컴포넌트를 파악한다 제조 도메인에서 GraphRAG의 활용 가치를 설명할 수 있다 Vector RAG vs GraphRAG 차이를 비교한다

GraphRAG: LLM에게 공장의 지식을 가르친다

기존 RAG의 한계: "문서는 찾았는데 맥락을 모른다"

에디터 로딩 중...

GraphRAG란?

에디터 로딩 중...

Vector RAG vs GraphRAG

비교 항목Vector RAGGraphRAG
지식 소스비정형 문서 (PDF, 텍스트)구조화된 그래프 (Neo4j)
검색 방식유사도 기반 (임베딩)관계 기반 (Cypher)
맥락 품질유사한 텍스트 청크연결된 엔티티 + 관계
장점자연어 문서 활용정확한 관계 추론, 인과 추적
단점관계 추론 불가그래프 구축 비용
제조 활용매뉴얼 검색고장 원인 추적, 영향도 분석

왜 둘 다 필요한가?

에디터 로딩 중...

GraphRAG의 핵심 컴포넌트

1. Entity Extraction (엔티티 추출)

에디터 로딩 중...

2. Cypher Generation (쿼리 생성)

에디터 로딩 중...

3. Context Building (맥락 구성)

에디터 로딩 중...

4. Answer Generation (답변 생성)

에디터 로딩 중...

Microsoft GraphRAG vs 우리의 접근

에디터 로딩 중...

추가 자료

핵심 포인트
  • • GraphRAG = Knowledge Graph + RAG: 구조화된 지식으로 LLM의 맥락 이해력 강화
  • • Vector RAG(문서 검색)와 GraphRAG(관계 탐색)는 상호 보완적
  • • 핵심 컴포넌트: 엔티티 추출 -> Cypher 생성 -> 맥락 구성 -> 답변 생성
  • • 제조 도메인은 도메인 특화 GraphRAG가 범용 접근보다 효과적
이전다음