Microsoft GraphRAG: 자동 KG 구축의 혁신

Hook: KG 구축의 어려움

"GraphRAG가 좋은 건 알겠는데, Knowledge Graph는 어디서 구해요?"

기존 방식:

1. 도메인 전문가가 스키마 설계 (몇 주)
2. 수동으로 엔티티/관계 정의 (몇 달)
3. 데이터 입력 및 검증 (계속...)

Microsoft GraphRAG:

1. 문서 던지기
2. LLM이 자동으로 KG 구축
3. 끝.

문서만 있으면 Knowledge Graph가 자동 생성됩니다.

논문: "From Local to Global: A Graph RAG Approach to Query-Focused Summarization" (Microsoft Research, 2024)

---

왜 배우는가?

Microsoft GraphRAG가 해결하는 문제

기존 방식	MS GraphRAG
스키마 설계 필요	자동 엔티티 유형 발견
수동 엔티티 추출	LLM 기반 자동 추출
관계 정의 필요	문맥에서 자동 추론
지역적 검색만	Local + Global 검색
전체 요약 불가	Community Summary로 전체 요약

핵심 혁신 1: Community Detection

Community = 밀접하게 연결된 엔티티 그룹

예: "반도체 기업 커뮤니티" = {삼성전자, SK하이닉스, TSMC, Intel}

핵심 혁신 2: Community Summary

Community Summary는 각 커뮤니티(밀접 연결 엔티티 그룹)에 대해 LLM이 자동으로 생성하는 요약 보고서입니다.

왜 중요한가?

• "반도체 시장의 전체 상황은?" 같은 글로벌 질문에 답변 가능
• 기존 RAG는 청크 단위 검색만 가능 → 전체 조망 불가
• Community Summary가 있으면 문서 전체를 읽은 것과 같은 효과

핵심 혁신 3: Map-Reduce 패턴 (Global Search)

Global Search는 Map-Reduce 패턴으로 동작합니다:

Map-Reduce가 필요한 이유:

• 커뮤니티가 수십~수백 개일 수 있음
• 모든 요약을 한 번에 LLM 컨텍스트에 넣을 수 없음
• 각 커뮤니티를 독립적으로 평가(Map) → 결과 종합(Reduce)

단계	입력	출력	LLM 호출
Map	커뮤니티 요약 + 질문	관련성 점수 + 부분 답변	N회 (커뮤니티 수)
Reduce	부분 답변 모음	최종 종합 답변	1회

---

핵심 개념

Local Search vs Global Search

검색 유형	질문 예시	검색 대상	메커니즘
Local	"삼성전자의 경쟁사는?"	특정 엔티티 주변	엔티티 → 이웃 탐색 → 관련 청크
Global	"반도체 시장 전체 트렌드는?"	커뮤니티 요약	Map-Reduce로 요약 종합
DRIFT	"최근 AI 칩 동향?"	Local + Global 혼합	적응형 검색 (v2 추가)

Local Search 동작 상세

Global Search 동작 상세 (Map-Reduce)

Global Search = 전체를 조망하는 질문에 강력

Leiden 알고리즘과 계층적 커뮤니티

MS GraphRAG는 Leiden 알고리즘으로 커뮤니티를 탐지합니다:

• 레벨이 높을수록 세부적, 레벨이 낮을수록 포괄적
• Global Search 시 적절한 레벨 선택이 중요