GraphRAG 아키텍처 패턴 4가지

GraphRAG를 구현하는 방법은 여러 가지입니다. 어떤 패턴을 선택하느냐에 따라 성능, 비용, 복잡도가 달라집니다.

---

왜 배우는가?

왜 여러 패턴이 존재하는가?

모든 질문이 같은 방식으로 답변되지 않습니다:

• "삼성전자가 뭐하는 회사야?" -> 텍스트 검색이 더 적합
• "삼성전자의 경쟁사는?" -> 그래프 검색이 더 적합
• "반도체 시장 전체 트렌드는?" -> 글로벌 요약이 필요

패턴 선택 = 질문 유형에 맞는 검색 전략

질문 유형 분류표

질문 유형	예시	필요한 능력	최적 패턴
사실 확인	"X가 뭐야?"	텍스트 매칭	Naive
관계 질문	"X와 Y의 관계?"	관계 탐색	Graph-First
복합 질문	"X의 경쟁사의 최근 동향?"	관계 + 텍스트	Hybrid
요약 질문	"전체 시장 트렌드?"	글로벌 컨텍스트	MS GraphRAG
비교 질문	"X vs Y 장단점?"	구조화된 속성 비교	Hybrid

---

핵심 개념

패턴 1: Naive GraphRAG

가장 간단한 방식. 벡터 검색 결과에 그래프 정보를 추가합니다.

장점: 기존 RAG에 쉽게 추가 가능 (점진적 도입) 단점: 엔티티 추출 실패 시 그래프 활용 불가 적합: 기존 Vector RAG 시스템을 개선하고 싶을 때

---

패턴 2: Graph-First GraphRAG

그래프 검색을 우선으로 하고, 벡터 검색으로 보완합니다.

장점: 관계 중심 질문에 강함, 멀티홉 추론 가능 단점: 엔티티가 명확하지 않은 질문에 약함 적합: 기업 내부 지식베이스, 인물/조직 관계 분석

---

패턴 3: Hybrid GraphRAG

두 검색을 병렬로 수행하고 결과를 융합합니다.

장점: 범용성 높음, 두 방식의 장점 결합 단점: 복잡도 높음, 융합 전략(RRF, 가중합) 튜닝 필요 적합: 다양한 질문 유형을 처리하는 범용 Q&A 시스템

---

패턴 4: Microsoft GraphRAG

문서로부터 Knowledge Graph를 자동 구축하는 접근법입니다. 2024년 Microsoft Research에서 발표하여 큰 주목을 받았습니다.

Local vs Global Search 비교

	Local Search	Global Search
질문 유형	"X의 경쟁사는?"	"반도체 시장 전체 동향은?"
검색 대상	특정 엔티티 주변 서브그래프	커뮤니티 요약 전체
장점	정확한 관계 답변	전체 요약/트렌드 파악
비용	낮음	높음 (모든 커뮤니티 요약 사용)

장점: KG가 없어도 문서만으로 구축 가능, 글로벌 질문 지원 단점: 인덱싱 비용 높음 (LLM 호출 수백~수천 회), 지연 시간 적합: 대규모 비정형 문서 분석 (보고서, 논문, 뉴스 아카이브)

---

패턴 선택 가이드

상황	권장 패턴	이유
기존 RAG에 그래프 추가	Naive	최소 변경으로 개선
명확한 엔티티 중심 질문	Graph-First	관계 탐색 효율적
범용 Q&A 시스템	Hybrid	질문 유형 무관 대응
KG 없이 대규모 문서 분석	MS GraphRAG	자동 KG + 요약
이미 Neo4j KG 보유	Graph-First or Hybrid	기존 KG 활용
토큰 비용 최소화	Naive or Graph-First	LLM 호출 최소