Essential GraphRAG 시리즈: 벡터 검색에서 에이전틱 RAG까지

시리즈 개요: 이 시리즈는 LLM의 한계를 극복하고 신뢰할 수 있는 AI 시스템을 구축하기 위한 RAG(Retrieval-Augmented Generation) 기술의 진화 과정을 다룬다. 단순 벡터 검색부터 지식 그래프 기반 GraphRAG, 자율적 판단이 가능한 Agentic RAG까지 단계별로 학습한다.

시리즈 구성

Part	제목	핵심 주제
1	LLM 정확도 향상	LLM의 구조적 한계와 RAG의 필요성
2	벡터 검색과 하이브리드 검색	임베딩, 코사인 유사도, 키워드 검색 결합
3	고급 벡터 검색 전략	Step-back Prompting, Parent Document Retriever
4	Text2Cypher: 자연어를 그래프 쿼리로	Cypher 쿼리 생성, 스키마 활용
5	Agentic RAG	자율적 도구 선택, 자가 교정 루프
6	LLM으로 지식 그래프 구축	엔티티/관계 추출, 자동 그래프 생성
7	Microsoft GraphRAG 구현	커뮤니티 탐지, Global/Local Search
8	RAG 평가 체계	Faithfulness, Ground Truth, RAGAS

학습 경로

[기초: LLM의 한계 이해]
Part 1 → Part 2 → Part 3

[그래프 통합: 관계 기반 검색]
Part 4 → Part 5 → Part 6

[고급 구현과 평가]
Part 7 → Part 8

기술 스택

• LLM: OpenAI GPT-4, Claude
• 벡터 DB: ChromaDB, Neo4j Vector
• 그래프 DB: Neo4j
• 프레임워크: LangChain, LlamaIndex
• 평가: RAGAS

참고 자료

• Essential GraphRAG (원서)
• Neo4j RAG Tutorial
• Microsoft GraphRAG