imprun engineering

작성일: 2026년 1월 5일카테고리: AI, RAG, Knowledge Graph, LLM키워드: GraphRAG, LazyGraphRAG, Prompt Tuning, Optimization, Production요약GraphRAG를 프로덕션 환경에서 효과적으로 운영하려면 비용과 품질 사이의 균형이 필요하다. 이 글에서는 비용 효율적인 LazyGraphRAG, 도메인에 맞춘 프롬프트 튜닝, 대규모 데이터셋 처리 전략, 그리고 프로덕션 배포 시 고려사항을 다룬다.LazyGraphRAG: 비용 효율적인 대안LazyGraphRAG는 기존 GraphRAG의 비용 문제를 해결하기 위해 개발된 경량 버전이다. 전체 인덱싱 없이도 유사한 품질의 결과를 얻을 수 있다.기존 GraphRAG vs LazyGraphRAGf..

작성일: 2026년 1월 5일카테고리: AI, RAG, Knowledge Graph, LLM키워드: GraphRAG, Installation, Configuration, Azure OpenAI, Cost Management요약GraphRAG를 실제 프로젝트에 적용하려면 환경 설정, 인덱싱 실행, 쿼리 테스트까지의 전 과정을 이해해야 한다. 이 글에서는 Python 환경에서 GraphRAG를 설치하고, 설정 파일을 작성하며, 인덱싱을 실행하고 쿼리하는 전체 과정을 단계별로 안내한다. 특히 비용 관리에 대한 실전 팁도 포함한다.사전 요구사항시스템 요구사항항목최소 요구사항권장Python3.10 이상3.11RAM8GB16GB 이상디스크10GBSSD 50GB 이상OSWindows/macOS/LinuxLinuxLL..

작성일: 2026년 1월 5일카테고리: AI, RAG, Knowledge Graph, LLM키워드: GraphRAG, Indexing Pipeline, Knowledge Graph, Leiden Algorithm, Community Detection요약GraphRAG의 핵심은 인덱싱 단계에서 구축되는 지식 그래프와 계층적 커뮤니티 구조이다. 이 글에서는 TextUnit 분할부터 엔티티/관계 추출, Leiden 알고리즘을 활용한 커뮤니티 탐지, 그리고 계층적 요약 생성까지 전체 인덱싱 파이프라인을 상세히 분석한다.인덱싱 파이프라인 개요GraphRAG의 인덱싱은 원본 문서를 쿼리 가능한 지식 구조로 변환하는 과정이다. 이 과정은 일반 RAG보다 복잡하고 비용이 많이 들지만, 쿼리 시점의 성능을 크게 향상시킨..

작성일: 2026년 1월 5일카테고리: AI, RAG, Knowledge Graph, LLM키워드: GraphRAG, RAG, Knowledge Graph, Microsoft Research, LLM요약RAG(Retrieval Augmented Generation)는 LLM이 학습하지 않은 데이터에 대해 답변할 수 있게 해주는 핵심 기술이다. 그러나 기존 RAG는 "데이터셋의 주요 테마는 무엇인가?"와 같은 전역적 질문에 실패한다. Microsoft Research가 개발한 GraphRAG는 지식 그래프와 계층적 클러스터링을 활용하여 이 문제를 해결한다. 이 시리즈에서는 GraphRAG의 동작 원리부터 실전 활용까지 다룬다.기존 RAG의 동작 방식RAG는 도서관의 사서와 같다. 질문을 받으면 관련 책(문..