RAG Needs a Map: Using GraphRAG to Retrieve Connected Context — Nyah Macklin, Neo4j

한 줄 핵심

이 영상은 기존 벡터 RAG의 한계를 보완하기 위해 지식 그래프를 결합한 GraphRAG를 소개하고, Neo4j Aura와 GraphAcademy 실습으로 연결된 문맥을 검색하는 에이전트를 직접 구축하는 방법을 보여준다.

시간별 요약

1. 0:00
   워크숍 소개 기존 RAG 경험 수준을 간단히 점검한 뒤, GraphRAG의 기본 개념을 처음 접하는 사람도 따라올 수 있도록 오늘의 목표를 설정한다. 그래프 이론, 컨텍스트 엔지니어링, AI 거버넌스와 안전성 관점에서 왜 연결된 문맥을 이해하는 것이 중요한지도 함께 제시한다.
2. 3:07
   GraphAcademy와 워크숍 준비 실습은 GraphAcademy를 통해 진행되며, 계정 생성과 워크숍 노트를 미리 준비해 두는 흐름을 안내한다. 강의식이 아니라 직접 키보드로 따라 만드는 형식의 무료 학습 플랫폼이라는 점을 강조한다.
3. 5:18
   Aura 데이터베이스 만들기 실습에 사용할 Neo4j Aura 무료 인스턴스를 생성하고, OpenAI API key와 연결 정보가 포함된 노트를 준비한다. 비용이 드는 인스턴스가 아니라 무료 리소스를 사용해야 한다는 점도 함께 안내한다.
4. 7:07
   벡터와 그래프 문맥 사과 예시를 통해 벡터는 기계 친화적 표현이고, 지식 그래프는 인간이 이해하는 속성과 관계를 함께 드러낸다는 차이를 설명한다. RAG에서 투명성과 설명 가능성을 높이려면 단순 임베딩만이 아니라 그래프 문맥이 도움이 된다는 점을 보여준다.
5. 9:13
   관계와 설명 가능성 테이블 조인이나 벡터 검색만으로는 데이터의 연결 구조를 추적하기 어렵고, 복잡한 질의에서는 성능과 설명 가능성이 약해질 수 있다고 짚는다. 지식 그래프는 노드와 관계를 따라 이동하며 과거 의사결정의 경로를 추적할 수 있게 해 주므로, 금융·의료·법률 같은 규제 산업에 특히 유리하다.
6. 11:38
   RAG에서 GraphRAG로 일반 RAG는 문서를 청크로 나누고 임베딩해 top-k 문서를 LLM에 전달하는 구조이며, GraphRAG는 여기에 지식 그래프를 검색 경로에 포함한다. 즉, 검색 단계가 단순 유사도 기반이 아니라 연결 관계를 따라 확장된다는 점이 핵심 차이다.
7. 13:00
   연결된 검색이 도움이 되는 경우 단순 검색 엔진 수준의 질문에는 벡터 RAG가 충분하지만, 여러 단계의 hop이 필요한 질문이나 여러 문서를 종합해야 하는 질문에서는 GraphRAG가 더 강하다. 실제로는 벡터와 그래프를 대체 관계가 아니라 보완 관계로 함께 쓰는 것이 가장 효과적이라고 정리한다.
8. 16:11
   검색기 유형과 아키텍처 retriever는 외부 데이터 소스에서 관련 정보를 찾아오는 핵심 구성 요소이며, 입력된 질문을 바탕으로 구조화된 데이터에서 맥락을 끌어온다. Neo4j는 full-text search, vector search, Cypher retriever를 지원하며, 뉴스 챗봇 사례를 통해 API·문서·지식 그래프를 함께 엮는 아키텍처를 소개한다.
9. 18:42
   지식 그래프 기초 지식 그래프는 현실 세계의 엔티티와 그 관계를 구조적으로 표현한 것이며, 사람도 노드가 되고 동료 관계도 관계로 모델링할 수 있다. 이 단원은 이후의 그래프 구축 실습을 위한 최소한의 개념적 토대를 정리하는 역할을 한다.
10. 20:18
    엔티티와 관계 추출 지식 그래프 구성은 데이터 수집, 청킹, 벡터화, 엔티티·관계 추출, 그래프 생성의 순서로 진행된다. LLM에 JSON 형식의 추출 프롬프트를 주면 수작업보다 빠르게 노드와 관계를 만들어 그래프를 조립할 수 있다.
11. 23:08
    Python 패키지와 Codespace 설정 graph-rag-for-Python 패키지를 사용해 지식 그래프 구축과 검색을 진행하며, GitHub Codespaces로 바로 실습 환경을 연다. .env 파일에 Aura 연결 정보와 OpenAI 키를 넣어야 하며, 무료 Aura 인스턴스를 쓰는 것이 실습의 전제다.
12. 27:32
    환경 테스트 test_environment.py를 실행해 데이터베이스 연결과 OpenAI 키 설정이 정상인지 확인한다. 테스트가 통과해야 이후의 그래프 생성과 에이전트 연결이 문제 없이 진행된다.
13. 28:40
    지식 그래프 빌더 실행 knowledge graph structured builder를 실행해 Aura 인스턴스 안에 실제 그래프를 생성한다. 생성된 결과는 Neo4j 쿼리 화면에서 확인할 수 있으며, 중복 실행 시에는 중복 데이터가 생길 수 있어 실행 상태를 인지해야 한다.
14. 30:53
    노드와 관계 살펴보기 생성된 그래프를 시각적으로 확인하고, 노드와 관계를 직접 클릭해 데이터 내용을 검사할 수 있다. 단순한 그림이 아니라 쿼리 가능한 데이터 구조라는 점을 통해 지식 그래프의 실용성을 드러낸다.
15. 32:16
    Aura 에이전트 활성화와 생성 조직 설정에서 generative AI assistance와 Aura agent 기능을 활성화한 뒤, 특정 Aura 인스턴스에 연결된 새 에이전트를 만든다. 이 에이전트는 GraphAcademy 코스를 기반으로 한 그래프 RAG 정보를 제공하도록 설명과 지시문을 설정한다.
16. 36:51
    벡터 인덱스 만들기 에이전트에 유사도 검색을 붙이기 위해 먼저 벡터 인덱스를 생성해야 한다. 이 인덱스는 Cypher 쿼리 창에서 실행하며, 이후 similarity search 도구가 정상적으로 동작하는 기반이 된다.
17. 40:14
    강의 유사도 검색 설정 lesson content를 검색하는 도구를 추가하고, chunk embedding 인덱스와 top 5, OpenAI의 text-embedding-3-small, 1536 차원을 사용하도록 설정한다. 여기서 핵심은 단순 검색이 아니라 강의 내용을 벡터로 찾아 에이전트의 답변 근거로 활용하는 것이다.
18. 42:22
    연결된 그래프 데이터 반환 에이전트가 답변할 때 노드와 점수까지 함께 반환하는 Cypher 쿼리를 넣어, 검색 결과가 그래프 구조와 연결되도록 만든다. 이렇게 하면 문서 유사도 결과와 그래프 관계 정보를 동시에 활용할 수 있다.
19. 44:12
    에이전트 테스트와 출처 확인 완성된 에이전트에 질문을 던져 GraphAcademy 코스 안의 정보만을 바탕으로 답하는지 확인한다. 답변과 함께 출처가 표시되어, 모델이 어디서 근거를 가져왔는지 추적할 수 있음을 보여준다.
20. 45:48
    수업 개수 그래프와 대조 질문이 단순 검색이 아니라 집계와 합산을 요구할 때도 에이전트가 동작하는지 확인한다. 그래프를 다시 조회해 실제 lesson 수와 비교함으로써, 중복 적재가 결과에 영향을 줄 수 있다는 점도 함께 드러난다.
21. 47:55
    파이프라인 코드 살펴보기 knowledge graph structured builder 코드에서 OpenAI LLM, embeddings, fixed-size splitter, Neo4j driver가 어떻게 결합되는지 살펴본다. 지정된 노드 타입과 관계 타입, chunk size, overlap, CSV·PDF 입력이 그래프 생성 로직을 어떻게 이끄는지 이해하는 구간이다.
22. 51:07
    추가 학습과 마무리 GraphAcademy와 Cypher fundamentals를 다음 학습 경로로 제안하고, 관련 밋업과 부스 참여 정보를 안내한다. 핵심 메시지는 GraphRAG가 정확성, 개발 용이성, 설명 가능성을 높이며, 데이터를 연결된 문맥으로 다루는 것이 중요하다는 점이다.

실무 인사이트

• 벡터 검색만으로 답하기 어려운 질문은 대개 여러 hop과 관계 추적이 필요한데, 이때 GraphRAG를 붙이면 근거 경로까지 함께 설명할 수 있다.
• 지식 그래프의 품질은 추출 프롬프트와 스키마 설계에 크게 좌우되므로, 처음부터 노드·관계 타입을 제한해 두는 것이 환각을 줄이는 데 중요하다.
• 실무에서는 벡터 인덱스와 그래프 질의를 분리하지 말고 함께 설계해야 하며, 검색 근거와 출처를 반환하도록 해야 운영 신뢰도가 높아진다.