공원나연의 강의 영상 **「그래프 데이터베이스가 뭔가요? | RDB와 GDB | 지식그래프와 GraphRAG」**에서는 Graph DB의 기본 구조부터 관계형 DB와의 차이, 지식 그래프와 GraphRAG로 이어지는 전체 흐름을 설명합니다. ## Graph DB란? 그래프 데이터베이스는 데이터를 **Node, Edge(Relationship), Property** 구조로 저장하고 관리하는 데이터베이스입니다. 핵심은 데이터를 단순 행과 열로 보는 것이 아니라 **개체와 개체 사이의 연결 관계**를 1급 데이터로 다룬다는 점입니다. ## 기본 구성 요소 ### Node 사람, 조직, 제품, 기술, 장소처럼 하나의 개체나 개념을 표현합니다. ### Relationship / Edge 노드와 노드 사이의 연결을 표현합니다. 예: - 사람 A → 사랑한다 → 사람 B - 직원 → 소속된다 → 팀 - 프로젝트 → 사용한다 → 기술 ### Property 노드나 관계의 추가 정보를 저장합니다. 예: - 이름 - 가격 - 생성일 - 관계 시작일 - 상태 ### Label 노드의 종류를 분류합니다. 예: - Person - Company - Project - Technology ## RDB와 Graph DB의 차이 관계형 DB는 테이블과 컬럼 중심이고, 관계는 Foreign Key와 JOIN으로 표현합니다. Graph DB는 관계 자체가 데이터 구조 안에 직접 포함됩니다. 즉: **RDB → 관계를 JOIN으로 계산** **Graph DB → 이미 저장된 Edge를 따라 탐색** 이라고 볼 수 있습니다. ## Query 방식도 다르다 RDB에서는 주로 SQL을 사용합니다. Graph DB에서는 Cypher, GQL 같은 그래프 Query 언어를 사용합니다. 특히 Cypher는: **어떤 Node가 어떤 Relationship을 통해 어떤 Node와 연결되어 있는가** 라는 패턴을 중심으로 질의합니다. ## Graph DB가 강한 질문 RDB가 다음과 같은 조건 검색에 강하다면: > 조건을 만족하는 고객 목록을 보여줘 Graph DB는 다음과 같은 관계 탐색에 강합니다. > A와 간접적으로 연결된 사람은 누구인가? > 이 프로젝트에 영향을 주는 시스템은 무엇인가? > 이 고객과 비슷한 구매 패턴을 가진 사용자는 누구인가? > 이 사건과 연결된 다른 사건은 무엇인가? 즉, **경로·관계·연결망**이 중요한 질문에 적합합니다. ## Graph DB의 핵심 장점 4가지 ### 1. 연결 중심 탐색 관계를 따라 여러 단계로 탐색하기 쉽습니다. ### 2. 유연한 모델링 새로운 Node, Label, Property, Relationship을 추가하기 비교적 쉽습니다. ### 3. 현실 세계를 자연스럽게 표현 사람이 마인드맵처럼 이해하는 관계 구조를 그대로 데이터로 만들 수 있습니다. ### 4. 지식 구조화 흩어진 데이터를 관계로 묶어 **추론 가능한 구조**로 만들 수 있습니다. ## 대표 Graph DB 영상에서는 대표적인 Graph DB로 다음 계열을 언급합니다. - Neo4j - Amazon Neptune - Memgraph 강의에서는 Neo4j를 중심으로 GraphRAG를 구축합니다. ## Graph DB 활용 사례 ### 사기 탐지 계좌, 사용자, 거래, 기기, IP 사이의 연결 패턴을 분석해 숨겨진 사기 네트워크를 찾을 수 있습니다. ### 추천 시스템 사용자와 상품, 구매 이력, 관심사를 관계로 연결해 추천 후보를 찾을 수 있습니다. ### Agent Context / Memory 사용자의 장기 기억과 선호도, 이전 행동을 그래프 형태로 연결하면 AI Agent에게 더 풍부한 Context를 제공할 수 있습니다. ### 법률·의료·기업 지식 복잡한 개념과 관계가 많은 도메인은 지식 그래프로 표현하기 좋습니다. ## 지식 그래프란? 지식 그래프는 서로 연결된 Entity와 Relation을 의미 기반으로 표현한 데이터 모델입니다. 예를 들어: **GPT → 개발사 → OpenAI** **OpenAI → 투자자 → Microsoft** **GPT → 활용 → RAG** 같은 식으로 지식을 연결할 수 있습니다. 즉, Graph DB는 저장 기술이고, Knowledge Graph는 그 위에 구축된 **의미 있는 지식 구조**입니다. ## GraphRAG는 어디에 연결될까? GraphRAG는 Knowledge Graph에서 관련 Node와 Relationship을 검색해 LLM에게 Context로 제공합니다. 전체 흐름은 다음과 같습니다. **원본 데이터** ↓ **Entity / Relation 추출** ↓ **Knowledge Graph** ↓ **Graph DB** ↓ **Graph Retrieval** ↓ **LLM Answer** 즉, Graph DB는 GraphRAG의 기반 저장소 역할을 합니다. ## Vector RAG와의 차이 Vector RAG는 질문과 의미가 가까운 문서 조각을 찾습니다. GraphRAG는 관련 Node뿐 아니라: - 연결된 Entity - 관계 종류 - 연결 경로 - 주변 Context 까지 함께 탐색할 수 있습니다. 그래서 다중 문서·다중 Entity 관계가 중요한 질문에 더 강합니다. ## GraphRAG를 위해 가장 먼저 생각할 것 영상에서 강조하는 중요한 포인트는 **Graph DB를 먼저 설치하는 것이 아니라 어떤 관계를 왜 저장할 것인지부터 정해야 한다**는 점입니다. 즉: 1. 어떤 도메인을 다룰 것인가? 2. 어떤 Entity가 중요한가? 3. 어떤 Relationship을 표현할 것인가? 4. 어떤 질문에 답하려는가? 5. AI가 어떤 Context를 가져와야 하는가? 를 먼저 정해야 합니다. ## 핵심 정리 이번 영상의 전체 구조를 한 줄로 정리하면: **RDB는 데이터 조건 검색에 강하고, Graph DB는 관계 탐색에 강하며, Knowledge Graph는 지식을 관계로 구조화하고, GraphRAG는 그 관계를 LLM의 Context로 활용합니다.** GraphRAG를 제대로 이해하려면 먼저 **Node·Relationship·Property → Graph DB → Knowledge Graph → GraphRAG**의 흐름을 이해하는 것이 핵심입니다.