GraphRAG: 왜 Knowledge Graph가 필요한가?

Hook: Vector RAG의 한계 - 실제로 실패하는 순간

"삼성전자의 경쟁사 중 AI 칩을 만드는 회사는?"

일반 RAG 시스템에 이 질문을 던져보세요.

문제: 청크들 사이의 관계가 없습니다.

Vector RAG는 텍스트 유사도만 보기 때문에, "삼성전자 -> 경쟁 -> SK하이닉스 -> 협력 -> NVIDIA"와 같은 연결 고리를 찾을 수 없습니다.

---

멀티홉 질문에서의 완전한 실패

멀티홉 질문이란 2개 이상의 관계를 거쳐야 답변할 수 있는 질문입니다.

실험 결과: Vector RAG의 홉별 정확도

홉 수	질문 예시	Vector RAG 정확도	GraphRAG 정확도
1-Hop	"X의 CEO는?"	85~92%	95%+
2-Hop	"X CEO의 학력은?"	40~55%	90%+
3-Hop	"X CEO 모교의 다른 유명 졸업생?"	10~20%	85%+
요약형	"반도체 시장 전체 동향은?"	25~35%	80%+ (MS GraphRAG)

핵심 인사이트: 홉 수가 늘어날수록 Vector RAG의 정확도는 급격히 하락하지만, GraphRAG는 관계 경로를 따라가므로 정확도가 유지됩니다.

---

관계 무시 문제: 같은 단어, 다른 의미

Vector RAG는 엔티티 간 관계 유형을 구분하지 못합니다.

---

왜 배우는가?

Vector RAG의 3가지 근본적 한계

한계	설명	구체적 실패 사례
관계 부재	엔티티 간 연결 정보가 임베딩에 인코딩되지 않음	"A와 B의 관계는?" → 공급/경쟁/협력 구분 불가
지역적 검색	top-k 청크만 검색, 전체 문서 구조 파악 불가	"전체 조직 구조를 설명해줘" → 파편적 답변
멀티홉 추론 불가	간접 관계(A→B→C) 경로를 탐색할 수 없음	"A의 파트너사의 경쟁사는?" → 추론 실패

왜 이런 한계가 발생하는가?

Knowledge Graph가 해결하는 3가지 핵심 이점

이점 1: 명시적 관계 표현 (Explicit Relationships)

엔티티 간의 관계가 레이블로 명시됩니다. "공급"인지 "경쟁"인지 "협력"인지 즉시 구분 가능합니다.

이점 2: 멀티홉 추론 (Multi-Hop Reasoning)

이점 3: 설명 가능성 (Explainability)

Knowledge Graph = 엔티티 + 관계의 명시적 표현

이제 "삼성전자의 경쟁사 중 NVIDIA와 파트너십이 있는 회사는?" 삼성전자 -[COMPETES]-> SK하이닉스 -[PARTNERS]-> NVIDIA 경로를 통해 SK하이닉스라고 정확히 답할 수 있습니다.

---

핵심 개념

GraphRAG란?

Knowledge Graph + RAG = GraphRAG

GraphRAG의 4가지 핵심 장점

1. 구조화된 지식: 엔티티와 관계가 스키마로 정의되어 일관성 보장
2. 멀티홉 추론: 연결된 정보를 자동으로 탐색 (1홉, 2홉, N홉)
3. 글로벌 컨텍스트: 전체 지식 그래프 구조를 활용한 요약 질문 지원
4. 설명 가능성: 추론 경로(path)를 추적하여 답변 근거 제시

Vector RAG vs GraphRAG 상세 비교

측면	Vector RAG	GraphRAG
검색 기준	텍스트 유사도 (cosine/dot)	관계 경로 + 유사도
추론 능력	1홉 (직접 관련만)	멀티홉 (간접 관계도)
설명 가능성	낮음 (유사도 점수만)	높음 (경로 추적 가능)
구축 비용	낮음 (문서 임베딩만)	높음 (KG 구축 필요)
유지보수	문서 업데이트 시 재임베딩	그래프 노드/엣지 업데이트
적합한 질문	설명형, 정의형	관계형, 비교형, 멀티홉
할루시네이션	검증 어려움	경로 기반 검증 가능
확장성	벡터 DB 스케일링	그래프 DB 스케일링

실무에서 언제 GraphRAG를 선택하는가?