Day 4 복습 퀴즈

Microsoft GraphRAG & LlamaIndex

GraphRAG > Microsoft GraphRAG & LlamaIndex

학습 목표

Microsoft GraphRAG의 특징과 Map-Reduce 패턴 LlamaIndex Property Graph의 Extractor/Retriever Neo4j GenAI Python 라이브러리

8문제

Q1. Microsoft GraphRAG의 핵심 혁신은?

A. 빠른 벡터 검색B. Community Detection 기반 글로벌 검색C. 무료 LLM 제공D. 실시간 스트리밍

Q2. MS GraphRAG의 Global Search가 사용하는 패턴은?

A. Brute-force 전수 검색B. Map-Reduce 패턴C. Binary SearchD. BFS (너비 우선 탐색)

Q3. MS GraphRAG에서 Community Summary의 역할은?

A. 문서를 작은 청크로 분할B. 밀접한 엔티티 그룹에 대한 LLM 요약 보고서 생성C. 엔티티 임베딩 벡터 생성D. Cypher 쿼리 최적화

Q4. LlamaIndex에서 스키마를 엄격히 준수하며 엔티티/관계를 추출하는 컴포넌트는?

A. SimpleLLMPathExtractorB. ImplicitPathExtractorC. SchemaLLMPathExtractor (strict=True)D. DynamicLLMPathExtractor

Q5. LlamaIndex의 VectorContextRetriever와 LLMSynonymRetriever를 함께 사용하는 이유는?

A. 비용 절감을 위해B. 의미적 유사성(벡터)과 표현 변형(동의어)을 모두 커버하기 위해C. Neo4j 연결이 필요해서D. Global Search를 구현하기 위해

Q6. neo4j-graphrag 라이브러리의 VectorCypherRetriever가 다른 검색기와 차별화되는 점은?

A. 무료로 사용 가능B. 벡터 검색 결과에 Cypher 쿼리를 추가로 실행하여 관계 정보를 확장C. 자동으로 커뮤니티를 탐지D. PDF 문서를 직접 처리

Q7. 기존 Neo4j Knowledge Graph가 있고 프로덕션 배포가 목표일 때, 가장 적합한 도구는?

A. MS GraphRAG (처음부터 구축)B. LlamaIndex (새 KG 생성)C. neo4j-graphrag 또는 LangChain 직접 구현D. MS GraphRAG + LlamaIndex 조합

Q8. 프로덕션 GraphRAG 시스템에서 비용 절감을 위한 방법으로 적절하지 않은 것은?

A. Redis로 동일 질문 캐싱B. 로컬 임베딩 모델(sentence-transformers) 사용C. 증분 인덱싱으로 전체 재인덱싱 방지D. 모든 쿼리에 gpt-4o 사용