Elasticsearch 및 GraphDB를 활용한 세법 RAG 시스템: GraphRAG 도입기
AI
Elasticsearch 및 GraphDB를 활용한 세법 RAG 시스템: GraphRAG 도입기
두줄요약
세법 RAG의 문서 간 관계 파악 한계를 해결하기 위해 GraphRAG를 도입했습니다. 지식 그래프와 벡터 검색을 결합한 이중 검색 구조를 설명합니다.
선택 이유
- 메타데이터·문서 본문 중심 기존 RAG의 단절된 정보 조각과 문서 간 연관성 파악 한계
- 엔터티·관계 기반 지식 그래프로 복잡한 문맥과 관계를 검색에 반영하는 GraphRAG 도입
구조와 흐름
- LLM과 프롬프트 템플릿으로 문서의 엔터티·관계 추출 후 노드·엣지 형태의 지식 그래프 구성
- Key-Value 인덱싱과 중복 정보 병합을 통한 그래프 크기 축소
- 그래프 기반 인덱싱, 그래프 기반 검색, 응답 생성의 3단계 구성
성능/운영 포인트
- 신규 문서 추가 시 전체 그래프 재처리 없이 점진적 확장
- Leiden 알고리즘 기반 계층적 클러스터링과 LightRAG의 모듈화 구조
- 지식 그래프와 벡터 검색 결합을 통한 검색 효율과 유지보수성 강화
적용해볼 점
- 구체적 질의는 엔터티·관계 중심 저수준 검색, 추상적 질의는 주제 연결 중심 고수준 검색 적용
- 로컬 키워드의 1-hop 벡터 검색과 글로벌 키워드의 그래프 검색을 결합한 이중 검색 전략
- 세법·의료·법률처럼 관계 기반 분석이 중요한 도메인의 RAG 검색 구조
