Summary
GraphRAG의 실행 흐름, 성능 특성, 그리고 검색 결과를 시각적으로 설명. Vector RAG와 Graph RAG의 성능을 직접 비교하여 다중 홉(multi-hop) 검색의 이점을 실무 사례로 입증.
Key Claims
- GraphRAG는 다중 홉 검색 우월 — 관계를 따라가며 깊이 있는 컨텍스트 추출
- Vector RAG의 한계 — 단순 벡터 유사도로 관계 추론 불가
- 성능 비교 실증 — 동일 쿼리에서 Vector RAG vs Graph RAG의 답변 품질 차이
- 실무 도메인에 적용 가능 — 추천·사기 탐지·고객 관계 분석 등
Key Concepts Introduced
-
Vector RAG 검색 흐름
- 쿼리 임베딩 → 유사도 계산 → Top-K 청크 반환
- 한계: 관계 정보 손실, 맥락 단절
-
Graph RAG 검색 흐름
- 쿼리 → 그래프 노드 매핑 → 다중 홉 탐색 → 컨텍스트 수집
- 이점: 엔티티 관계 추론, 깊이 있는 답변
-
Multi-hop Search
- 1-hop: 직접 연결 관계
- 2-hop: 중간 엔티티를 거친 관계
- n-hop: 복잡한 네트워크 탐색
-
Real-world Use Cases
- 추천 시스템 — 사용자→아이템→카테고리 연쇄
- 사기 탐지 — 거래→계정→IP 관계망 분석
- 고객 분석 — 구매 이력→선호 패턴→유사 고객 발굴
Vector RAG vs Graph RAG 성능 비교
| 항목 | Vector RAG | Graph RAG |
|---|---|---|
| 검색 원리 | 임베딩 유사도 | 그래프 순회 |
| 관계 추론 | 불가능 | 가능 |
| 다중 홉 | 미지원 | 지원 |
| 컨텍스트 깊이 | 얕음 | 깊음 |
| 답변 정확도 | 중상 | 높음 |
| 응답 시간 | 빠름 | 중간 |
| 적합 도메인 | 단순 검색 | 복잡 관계 분석 |
GraphRAG 실행 흐름 (간략)
1. 쿼리 입력
↓
2. 시맨틱 마칭 — 그래프 노드와 매핑
↓
3. 이웃 노드 확장 — 1-hop, 2-hop, n-hop
↓
4. 컨텍스트 추출 — 노드/관계 정보 수집
↓
5. LLM 답변 생성 — 추출된 컨텍스트 기반
실제 예시: 추천 쿼리
Vector RAG 답변
Q: "이 사용자에게 추천할 상품은?"
A: [유사 상품 Top-5] — 유사도만 고려, 사용자 구매 이력 미반영
Graph RAG 답변
Q: "이 사용자에게 추천할 상품은?"
탐색 경로:
User A → [구매 관계] → Product X → [카테고리] → 전자제품
→ [선호] → Category Y → [연관 상품] → Product Y, Z
→ [같은 구매자] → User B → [구매] → Product M
A: [관계 기반 추천 상품 Top-5] — 구매 이력·유사 사용자·카테고리 모두 반영
→ Graph RAG가 더 정확한 개인화 추천 제공
통합 개념
- GraphRAG — 성능 검증 및 실무 효과
- VectorRAGvsGraphRAG — 상세 비교 프레임워크
- MultiHopSearch — 핵심 기술 원리
- Neo4j — 구현 플랫폼
관련 소스: why-use-graphrag (개념), what-is-graph-database (기초), data-to-kg (구축)
인정: YouTube 공원나연 채널 (2025-12-15)