GraphRAG

GraphRAG

엔티티와 관계로 지식을 구조화해, 벡터 검색이 못 푸는 관계 질문에 답하는 RAG

GraphRAG 아키텍처

문서 하나에서 그래프와 벡터를 함께 만들고 검색에서 결합 — 벡터는 유사도, 그래프는 관계 담당

그래프 구축 과정

LLM 자동 추출 + 사람 검증 — 문서가 트리플이 되기까지 4단계

1. 1
   엔티티 추출

   LLM에 문서를 입력해 (엔티티, 타입)을 추출합니다 — 레스토랑 · 와인 · 코스 같은 도메인 개체.

2. 2
   관계 추출

   엔티티 쌍 사이의 관계 유형을 추론합니다 — includes · requires · pairs_with 같은 명시적 엣지.

3. 3
   사람 검증

   추출된 트리플을 도메인 전문가가 샘플 검증합니다 — LLM 오추출을 보정하는 품질 게이트.

4. 4
   적재 · 증분 갱신

   Neptune Analytics 또는 인메모리 그래프에 적재합니다 — 문서 변경 시 영향받는 엔티티·관계만 증분 업데이트.

그래프 + 벡터 — 하이브리드 에이전트

질문 유형에 따라 그래프 검색과 벡터 검색을 골라 쓰는 에이전트

핵심 포인트

search_graph

"페어링 가능한 와인 전부" — 관계·의존성 질문 담당

search_docs

"예약 취소 절차는?" — 정책·설명 텍스트 질문 담당

자동 선택

시스템 프롬프트의 기준대로 에이전트가 도구를 고름

복합 질문

"디너로 바꾸면 뭐가 달라지고, 취소 규정은?" — 두 도구 결합

코드

from strands import Agent, tool
import boto3
bedrock_rt = boto3.client("bedrock-agent-runtime", region_name="us-east-1")

# 그래프 검색 도구 — 엔티티의 관계를 직접 탐색
@tool
def search_graph(entity_name: str, relation: str = "") -> str:
    """레스토랑·와인·코스 간 관계를 그래프에서 검색합니다."""
    return format_relations(find_related(find_entity(entity_name), relation))

# 벡터 검색 도구 — 정책·설명 텍스트는 Knowledge Base Retrieve로, 선택은 에이전트가
@tool
def search_docs(query: str) -> str:
    """메뉴·정책·FAQ 텍스트를 벡터 검색합니다."""
    resp = bedrock_rt.retrieve(knowledgeBaseId="KB-RESTAURANT-001",
                               retrievalQuery={"text": query})
    return "\n\n".join(r["content"]["text"] for r in resp["retrievalResults"][:3])

agent = Agent(tools=[search_graph, search_docs])

그래프 적용 기준

모든 질문에 그래프가 필요한 것은 아님 — 두 번의 질문으로 판단

데이터 형태별 전략 선택

질문을 받으면 데이터 형태부터 — 형태가 전략과 도구를 결정