✋ 들어가기전
Vector RAG랑 Graph RAG, 매번 그냥 "둘 다 있다" 정도로만 알고 넘어갔었는데 이번에 제대로 정리해봤다.
🤔 근데 LLM은 왜 RAG가 필요한데?
기존 LLM은 크게 세 가지 한계가 있다.
- 최신 정보 반영 불가
- 특정 데이터의 한계
- 환각 현상
이걸 보완하려고 나온 게 RAG. 오픈북 시험이라고 생각하면 편하다. 시험 볼 때 책 펴놓고 답 찾는 느낌
RAG는 크게 세 단계로 굴러간다.
검색 단계 → 정보 증강 단계 → 응답 생성 단계
이때 검색 단계에서 그래프를 쓰냐 벡터를 쓰냐에 따라 Vector RAG / Graph RAG로 나뉜다.
🥱 Vector RAG, 벡터가 뭔데?
AI에서 벡터란 단어의 의미 유사성을 숫자로 표현한 것이다. 예를 들어 바나나랑 사과는 서로 가까운 위치에 있을 확률이 높다.
??? : 근데 이런 유사성은 그냥 주관적인 거 아니야?
반은 맞고 반은 틀리다. 이걸 이해하려면 RAG 구축 과정을 알아야 한다.
데이터 로드 → 청킹(모델이 처리하기 좋게 자르기) → 임베딩 → 벡터 저장소 구축
여기서 임베딩(Embedding)이 핵심이다. 텍스트 조각을 의미를 보존하는 벡터로 바꾸는 과정인데, 이때 쓰는 임베딩 모델에 따라 단어 간 유사성이 다르게 표현될 수 있다.
예를 들어 과일 데이터로 학습한 모델 A와 해양/어업 데이터로 학습한 모델 B가 있다고 하면, 똑같이 '배'를 넣어도
- 모델 A → 과일 '배(Pear)'와 가깝게
- 모델 B → 선박 '배(Boat)'와 가깝게
배치할 가능성이 높다. 즉 임베딩 모델의 학습 데이터/방식에 따라 같은 단어도 다른 의미 벡터가 나올 수 있고, 이게 검색 성능이랑 모델 최종 판단에도 영향을 준다.
그럼 Graph RAG는?
여기서 그래프란 관계를 나타내는 지도 같은 거다. 사람 한 명 = 노드, 사람 사이 관계 = 엣지라고 생각하면 이해하기 쉽다.
Graph RAG는 정보 그 자체보다 정보들 사이의 관계가 중요할 때 쓴다.
예를 들어 이런 문서들이 있다고 하자.
- 문서1: A는 AI팀 소속이다.
- 문서2: AI팀은 Project Alpha를 개발한다.
- 문서3: Project Alpha는 GPT-5를 사용한다.
질문: "A가 사용하는 AI 모델은?"
Vector RAG는 문서1, 문서2, 문서3 둘 다 질문이랑 의미적으로 비슷하지 않아서 놓칠 수 있다. 하지만 Graph RAG는 관계 추적에 강해서 이런 걸 잘 찾아낸다. 대신 의미 유사성 자체를 찾는 건 Vector RAG보다 약할 수 있다.
결론은 정보 자체의 유사도가 중요하면 Vector RAG, 정보 사이의 연결 관계가 중요하면 Graph RAG
마치며,,
오늘은 Vector RAG랑 Graph RAG의 차이를 간단히 정리해봤다. 다음엔 둘을 섞어 쓰는 하이브리드 RAG 구조도 한번 파보고 싶다. 이 글은 개인 학습 정리라 잘못된 부분 있을 수 있으니, 틀린 부분이나 피드백 있으면 댓글로 알려주면 감사하겠다.
