프레임워크 선택 가이드

MS GraphRAG, LlamaIndex, neo4j-graphrag, 직접 구현... 어떤 것을 선택해야 할까요?

정답은 없습니다. 프로젝트 상황에 따라 최적 도구가 달라집니다. 이 가이드에서 의사결정 기준을 명확히 잡아봅시다.

---

왜 배우는가?

선택 기준 매트릭스

상황	추천 도구	이유
빠른 PoC	MS GraphRAG	CLI로 5분 만에 KG 구축
Python 통합	LlamaIndex	Python 네이티브 API
Neo4j 기반 프로덕션	neo4j-graphrag	공식 지원, 최적화
엔터프라이즈 커스텀	LangChain 직접 구현	완전한 제어
글로벌 질문 중심	MS GraphRAG	Community Summary
정확한 관계 질의	neo4j-graphrag	Cypher 직접 사용
다양한 검색 전략	LlamaIndex	4가지 Retriever

---

핵심 개념

4대 프레임워크 상세 비교

1. Microsoft GraphRAG

장점:

• CLI로 빠른 시작 (5분 만에 KG 구축)
• 자동 KG 구축 (스키마 설계 불필요)
• Community Summary 기반 Global Search (유일)
• Map-Reduce 패턴으로 대규모 문서 처리

단점:

• 커스터마이징 제한 (설정 파일 기반)
• Python 통합 불편 (CLI 중심 설계)
• 대용량 시 LLM 비용 높음 (Community Summary 생성)
• 한국어 최적화 부족 (프롬프트 커스텀 필요)
• 실시간 KG 업데이트 어려움

비용 예시 (100페이지 문서 기준):

모델	인덱싱 비용	쿼리 비용/회
gpt-4o-mini	$2~5	$0.01~0.05
gpt-4o	$20~50	$0.05~0.20

적합한 경우:

• 탐색적 분석, PoC
• "전체 요약" 타입 질문이 중요
• 빠른 프로토타이핑

---

2. LlamaIndex Property Graph

장점:

• Python 네이티브 API
• 4가지 KG Extractor 선택/조합
• 4가지 Retriever 선택/조합
• 스키마 커스터마이징 (strict/flexible)
• 다양한 데이터 소스 지원

단점:

• Global Search 직접 지원 안 함
• 커뮤니티 탐지/요약 없음
• 학습 곡선 있음
• 자주 변경되는 API

적합한 경우:

• Python 프로젝트에 GraphRAG 통합
• 커스텀 스키마가 필요한 도메인
• 다양한 검색 전략 실험
• Neo4j와 코드 레벨 연동

---

3. neo4j-graphrag (Neo4j 공식)

장점:

• Neo4j 팀 직접 개발/유지보수
• Neo4j 벡터 인덱스 최적 활용
• VectorCypherRetriever로 구조+의미 결합
• SimpleKGPipeline으로 자동 KG 구축
• 프로덕션 안정성

단점:

• Neo4j에 종속 (다른 그래프 DB 미지원)
• 비교적 신규 라이브러리 (커뮤니티 작음)
• Global Search (Community) 미지원
• 문서/예제가 상대적으로 적음

적합한 경우:

• Neo4j 기반 프로덕션 시스템
• Cypher 쿼리 직접 활용
• 벡터 + 그래프 결합 검색

---

4. LangChain + Neo4j 직접 구현

장점:

• 완전한 제어
• 최적화 가능 (쿼리, 캐싱, 배치)
• 기존 LangChain 생태계 활용
• 검색 전략 자유 설계

단점:

• 개발 시간 많음 (2~4주)
• 유지보수 부담
• 모든 것 직접 구현 (추출, 검색, 응답 생성)
• 버그/엣지케이스 직접 처리

적합한 경우:

• 프로덕션 시스템 + 특수 요구사항
• 팀 역량 충분 (Python + Neo4j + LLM)
• 기존 LangChain 인프라 보유

---

의사결정 플로우차트

커스텀 구현 vs 프레임워크: 언제 직접 만들까?

프레임워크를 사용해야 하는 경우

상황	추천
프로토타입 / PoC	무조건 프레임워크
1~2명 소규모 팀	프레임워크
표준적인 GraphRAG 요구사항	프레임워크
빠른 시장 출시 필요	프레임워크

직접 구현해야 하는 경우

상황	이유
특수한 엔티티 추출 로직	프레임워크가 지원 안 함
복잡한 검색 파이프라인	세밀한 제어 필요
기존 시스템과 깊은 통합	프레임워크 제약
성능 최적화 필수	프레임워크 오버헤드 제거
팀이 5명+ & 충분한 시간	유지보수 인력 확보

하이브리드 접근 (실무 추천)

프로덕션 배포 시 고려사항

1. 성능 최적화

2. 비용 관리

항목	절약 방법
LLM 호출	캐싱, 작은 모델 사용 (gpt-4o-mini)
임베딩	로컬 모델 (sentence-transformers)
인덱싱	증분 업데이트 (전체 재인덱싱 방지)
Neo4j	커뮤니티 에디션 (무료) 또는 AuraDB Free

3. 모니터링

4. 보안