공원나연의 쇼츠 **「GraphRAG를 도입하는 이유」**에서는 일반적인 Vector RAG와 GraphRAG의 차이를 **“관련 문서 조각을 찾는가, 관계까지 함께 찾는가”**로 설명합니다. ## Vector RAG의 한계 Vector RAG는 질문과 의미적으로 가까운 문서 조각을 찾는 데 강합니다. 즉: **질문 → 임베딩 → 유사한 문서 Chunk 검색 → LLM 답변** 구조입니다. 하지만 문서가 여러 개로 나뉘어 있거나, 하나의 개념을 이해하려면 여러 개체 사이의 관계까지 봐야 하는 경우에는 한계가 생길 수 있습니다. 예를 들어 특정 인물, 회사, 기술, 프로젝트가 서로 어떤 관계인지 설명하려면 단순히 비슷한 문장 몇 개만 가져오는 것으로는 전체 맥락을 충분히 복원하기 어렵습니다. ## GraphRAG의 핵심은 관계 GraphRAG는 문서를 저장할 때 단순 텍스트 조각만 저장하는 것이 아니라, 문서 안의: - 인물 - 회사 - 기술 - 제품 - 프로젝트 - 개념 같은 **Entity(노드)** 를 추출하고, 이들 사이의 관계를 함께 저장합니다. 예를 들면: **OpenAI → 개발 → GPT** **GPT → 사용 → RAG** **RAG → 활용 → Vector DB** 처럼 관계를 그래프로 표현할 수 있습니다. ## 하나의 노드를 찾으면 주변 관계도 함께 본다 GraphRAG의 장점은 특정 노드 하나를 검색했을 때 그 노드만 보는 것이 아니라 **주변에 연결된 관련 노드와 관계까지 함께 탐색할 수 있다는 점**입니다. 즉: **Node → Neighbor Node → Relation → Context** 를 함께 가져옵니다. 이렇게 하면 “무엇과 관련 있는가?”뿐 아니라 **왜 관련 있는가?**까지 설명할 수 있습니다. ## 관계 중심 Context가 중요한 이유 Vector RAG는 문장 유사도를 기준으로 관련 자료를 잘 찾아오지만, 문서 전체에 흩어진 관계 구조를 직접 표현하지는 않습니다. GraphRAG는 관계를 명시적으로 저장하므로 다음과 같은 질문에 강점을 가질 수 있습니다. - A 회사와 B 기술은 어떤 관계인가? - 특정 프로젝트에 어떤 인물과 조직이 연결되어 있는가? - 하나의 사건이 다른 사건에 어떤 영향을 줬는가? - 여러 문서에 흩어진 개념들이 어떻게 이어지는가? 즉, **다중 문서·다중 Entity 관계 추론**에 더 적합합니다. ## 더 풍부한 근거를 제공할 수 있다 GraphRAG가 검색한 Context에는 단순 문장뿐 아니라 **관계 정보**가 포함될 수 있습니다. 그래서 LLM은: - 해당 개념이 무엇인지 - 어떤 다른 개념과 연결되어 있는지 - 어떤 경로로 연결되는지 - 그 관계를 뒷받침하는 문서는 무엇인지 를 함께 참고해 답변할 수 있습니다. 그 결과 단순한 유사도 검색보다 **더 풍부하고 설명 가능한 답변**을 만들 수 있습니다. ## Vector RAG와 GraphRAG를 비교하면 ### Vector RAG - 문장 의미 유사도 중심 - 구현이 비교적 단순 - 일반 문서 Q&A에 적합 - 빠른 검색에 강함 ### GraphRAG - Entity와 관계 중심 - 전체 맥락 복원에 유리 - 다중 문서 관계 추론에 강함 - 지식 구조가 복잡한 도메인에 적합 ## 둘 중 하나만 써야 하는 것은 아니다 실제 시스템에서는 두 방식을 함께 쓰는 경우도 많습니다. 예를 들어: **Vector Search → 관련 문서 후보 검색** + **Graph Traversal → 관련 Entity와 관계 확장** + **LLM → 최종 답변** 처럼 결합할 수 있습니다. 이렇게 하면 Vector RAG의 빠른 검색 능력과 GraphRAG의 관계 추론 능력을 동시에 활용할 수 있습니다. ## 어떤 경우 GraphRAG가 유리할까? 특히 다음과 같은 데이터에 잘 맞습니다. - 기업 조직도 - 연구 논문 관계 - 법률·판례 연결 - 금융 기업 관계 - 공급망 - 제품·부품 관계 - 프로젝트 의존성 - 코드 구조 - 고객·상품·거래 관계 즉, **개별 문서보다 관계 자체가 중요한 데이터**일수록 GraphRAG의 가치가 커집니다. ## 핵심 정리 이번 영상의 핵심은 다음 한 문장으로 정리할 수 있습니다. > **Vector RAG는 관련 문서를 찾고, GraphRAG는 관련 문서와 그 사이의 관계까지 함께 찾습니다.** 그래서 단순 문서 검색을 넘어 **전체 맥락과 연결 구조를 이해해야 하는 질문**에서는 GraphRAG가 더 풍부하고 신뢰도 높은 Context를 제공할 수 있습니다.