AI for Everyone
데이터·DB

GraphRAG

그래프래그

검색 증강 생성 분야에서 쓰이는 Graph Retrieval-Augmented Generation(그래프 기반 검색 증강 생성)의 약자로, 문서에서 LLM으로 개체와 관계를 뽑아 지식그래프를 만들고 이를 검색에 활용하는 RAG 방식입니다. 비슷한 개체끼리 묶은 군집(커뮤니티)별 요약을 미리 만들어 두기 때문에, 문서 전체를 관통하는 '이 데이터의 주요 주제는 무엇인가' 같은 전역 질문에 강합니다. Microsoft Research가 2024년 논문과 오픈소스로 공개하며 확산했습니다.

쉽게 말하면?

그래프래그(GraphRAG, Graph Retrieval-Augmented Generation)는 자료를 통째로 읽고 인물·조직·개념의 관계 지도를 먼저 그려 두는 검색 방식입니다. 일반 RAG가 질문과 비슷한 문단 몇 개만 찾아 읽는다면, GraphRAG는 이 지도 덕분에 문서 전체에 흩어진 내용을 엮어서 답할 수 있어요. 대신 지도를 만드는 데 LLM 호출이 많이 들어가 비용이 큽니다. 그래서 '전체를 조망하는 질문이 얼마나 많은가'를 보고 도입을 정합니다.

한 줄로 비유하면?

긴 소설을 읽기 전에 인물 관계도를 먼저 그려 두고, 질문이 오면 그 지도를 짚어 가며 답하는 독서법입니다.

어디에 쓰이나?

케이스 1Microsoft Research — 전역 질문에서 벡터 RAG를 이긴 원조 실험

Microsoft Research는 2024년 팟캐스트 전사록과 뉴스 기사 약 100만~170만 토큰 코퍼스에서 GraphRAG와 벡터 RAG를 비교했습니다 [1]. LLM 심사 기준 포괄성 승률 72~83%를 기록했습니다 [1]. 다양성 승률도 62~82%로 앞섰습니다 [1]. 상위 커뮤니티 요약만 쓰면 원문 대비 토큰을 97% 넘게 아꼈습니다 [1].
도입효과: 포괄성 승률 72~83%·다양성 승률 62~82% (벡터 RAG 대비, LLM 심사 기준), 토큰 사용량 97% 이상 절감 (원문 텍스트 요약 대비) [1]

케이스 2LinkedIn — 고객 지원 지식그래프로 응답 시간 단축

LinkedIn은 과거 고객 지원 이슈 티켓으로 지식그래프를 만들어 RAG 검색에 결합했습니다 [2]. 고객 서비스팀에서 약 6개월간 실서비스로 운영했습니다 [2]. 검색 품질 지표 MRR이 베이스라인 RAG 대비 77.6% 올랐습니다 [2].
도입효과: 이슈당 해결 시간 중앙값 28.6% 감소·MRR +77.6% (베이스라인 RAG 대비, 약 6개월 운영 기준) [2]

케이스 3Lettria·AWS — 4개 산업 도메인 정답률 비교

AWS 파트너 Lettria는 금융·의료·산업·법률 4개 도메인 자료로 전통 RAG와 GraphRAG의 정답률을 비교했습니다 [3]. 전체 정답률이 50.83%에서 80%로 올랐습니다 [3]. 항공 소재 기술 문서에서는 46.88%에서 90.63%로 차이가 가장 컸습니다 [3].
도입효과: 정답률 50.83%→80% (전통 RAG 대비, 4개 도메인 합산, 2024년 12월 공개 기준) [3]

케이스 4네이버클라우드(한국) — CLOVA Studio 공식 GraphRAG 쿡북

네이버클라우드는 2025년 11월 추론 모델 HCX-007과 그래프 DB Neo4j로 GraphRAG 파이프라인을 만드는 공식 쿡북을 공개했습니다 [6]. 질문 유형에 따라 그래프 탐색과 벡터 검색을 전환하는 하이브리드 구성이 핵심입니다 [6]. 관계형 질문은 그래프로, 서술형 질문은 벡터로 처리하는 국내 환경 예제를 담았습니다 [6].
도입효과: 공개된 정량 성능 수치는 없습니다(구축 가이드 성격). 국내 상용 플랫폼이 공식 한국어 실습 자료를 제공한다는 사실이 확인된 내용입니다 [6]

주의할 점은?

오늘 바로 해보기
01. Neo4j의 무료 웹앱 'LLM Knowledge Graph Builder'에 PDF 하나를 올려 개체·관계 그래프가 자동 생성되는 과정을 확인합니다 [7].
02. microsoft/graphrag 공식 문서의 Get Started에서 pip install graphrag 이후 예제 텍스트를 인덱싱하는 절차를 읽습니다 [4].
03. 내 업무 질문을 '특정 문서를 찾는 질문'과 '전체를 조망하는 질문'으로 나눠 적고, 후자의 비중을 셉니다.
04. 공식 문서의 비용 경고(LLM 리소스 소모)를 확인하고, 튜토리얼 데이터로 먼저 시작한다는 원칙을 메모합니다 [4].
05. 한국어 자료로는 네이버클라우드 CLOVA Studio 쿡북을 열어 그래프 탐색·벡터 검색 전환 구조를 살펴봅니다 [6].

한계와 진화
GraphRAG의 한계는 비용입니다. 인덱싱 단계에서 문서 전체에 LLM을 돌려 그래프와 요약을 만들기 때문에, 공식 문서가 'LLM 리소스를 많이 소모한다'고 직접 경고할 정도입니다 [4]. Microsoft의 후속 연구 기준으로 전체 GraphRAG 인덱싱 비용은 벡터 RAG의 1,000배 수준으로 역산됩니다 [5]. 그래프를 미리 만들어 두는 방식이라 자료가 자주 바뀌면 갱신 부담도 큽니다. 사전 구축 비용을 넘어서는 효익이 있는지 따져 보라는 것이 Microsoft의 공식 안내입니다 [1]. 기본 설정만으로는 최적 성능이 나오지 않아 도메인별 프롬프트 튜닝도 권장됩니다 [4].
진화 방향은 비용 절감과 관리형 서비스입니다. 2024년 11월 공개된 LazyGraphRAG는 요약을 미리 만들지 않고 질의 시점에 그래프를 활용해, 전역 질의 비용을 기존 GraphRAG 대비 700분의 1 이하로 낮췄습니다 [5]. 2025년 3월에는 Amazon Bedrock Knowledge Bases에 GraphRAG가 정식 출시되며 관리형으로도 쓸 수 있게 됐습니다 [8]. 오픈소스 저장소는 2026년 5월 v3.1.0까지 릴리스가 이어지며 스타 3만 3천 개를 넘겼습니다(2026년 7월 기준) [4].

참고 자료

  1. From Local to Global: A Graph RAG Approach to Query-Focused Summarization — arXiv 논문·Microsoft Research·2024 — https://arxiv.org/abs/2404.16130
  2. Retrieval-Augmented Generation with Knowledge Graphs for Customer Service Question Answering — arXiv 논문·LinkedIn·2024 — https://arxiv.org/abs/2404.17723
  3. Improving Retrieval Augmented Generation accuracy with GraphRAG — 공식 블로그·AWS(Lettria 사례)·2024 — https://aws.amazon.com/blogs/machine-learning/improving-retrieval-augmented-generation-accuracy-with-graphrag/
  4. microsoft/graphrag — GitHub·Microsoft·2024~2026 — https://github.com/microsoft/graphrag
  5. LazyGraphRAG: Setting a new standard for quality and cost — 공식 블로그·Microsoft Research·2024 — https://www.microsoft.com/en-us/research/blog/lazygraphrag-setting-a-new-standard-for-quality-and-cost/
  6. RAG의 활용도를 높일 수 있는 Neo4j 기반 GraphRAG Cookbook — 공식 포럼 쿡북·네이버클라우드·2025 — https://www.ncloud-forums.com/topic/572/
  7. GraphRAG: LLM Knowledge Graph Builder — 공식 블로그·Neo4j·2024 — https://neo4j.com/blog/developer/graphrag-llm-knowledge-graph-builder/
  8. Amazon Bedrock Knowledge Bases GraphRAG 정식 출시 — 공식 공지·AWS·2025 — https://aws.amazon.com/about-aws/whats-new/2025/03/amazon-bedrock-knowledge-bases-graphrag-generally-available

대표 출처

arXiv 논문 (2024) · Microsoft Research, From Local to Global: A Graph RAG Approach
카드뉴스로 공유하기 다른 AI 용어 보기