Neo4j GraphRAG와 ToolsRetriever를 활용한 에이전틱 RAG 구현 가이드

• •기사, 언론사, 카테고리를 독립적인 엔티티 노드로 정의했다
• •발행하다(PUBLISHED), 속하다(BELONGS_TO) 등의 관계를 설정했다
• •기사 본문은 검색 효율을 위해 청크 단위의 Content 노드로 분리했다

지식 그래프 구축의 첫 단계는 비정형 데이터에서 핵심 개체(Entity)와 그들 사이의 연결 고리(Relationship)를 식별하는 것이다.

• •LLM이 질문에 따라 검색 도구를 동적으로 선택하는 구조를 가졌다
• •Neo4j 전용 패키지를 통해 복잡한 그래프 쿼리 생성을 자동화했다
• •에이전트 기반의 유연한 답변 생성 워크플로우를 구축했다

ToolsRetriever는 다양한 검색 알고리즘을 LLM이 사용할 수 있는 도구(Tool) 형태로 래핑하여 제공하는 인터페이스이다.

• •Text2Cypher는 특정 언론사의 기사 개수 산출 등 구조적 질문에 적합하다
• •Vector Retriever는 본문 내용 기반의 일반적인 질의응답을 수행한다
• •VectorCypher는 검색된 노드와 연결된 카테고리 등 확장된 정보를 제공한다

Cypher는 Neo4j에서 사용하는 그래프 전용 질의 언어로, SQL과 유사한 구조를 가지면서 노드 간 관계 탐색에 최적화되어 있다.

• •Selenium을 활용해 실시간 뉴스 데이터를 자동 수집했다
• •텍스트 데이터를 청킹하고 OpenAI의 임베딩 모델로 벡터화했다
• •Cypher 쿼리를 통해 노드 간의 복잡한 연결 관계를 DB에 반영했다

데이터 적재 시 제약 조건(Constraint)을 설정하면 중복 노드 생성을 방지하고 데이터 무결성을 유지할 수 있다.

• •각 검색기에 대한 자연어 설명을 기반으로 LLM이 도구를 선택했다
• •질문의 의도에 따라 최적의 검색 경로를 스스로 결정하는 지능형 시스템을 완성했다
• •출처 URL과 발행일 등 그래프의 속성 정보를 답변에 포함하도록 프롬프트를 구성했다

에이전트가 도구를 올바르게 선택하게 하려면 각 도구의 역할과 입력 파라미터에 대한 명확한 자연어 설명이 필수적이다.