서울대학교 DSBA 연구실AI/ML조회 3회

그래프 기반 RAG: LightRAG와 LeanRAG를 중심으로

지식 그래프를 활용해 텍스트 간의 복잡한 관계를 파악하고 검색 효율성을 극대화하는 LightRAG와 LeanRAG의 핵심 메커니즘을 분석한다.

이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.

핵심 요약

Graph-based RAG는 엔티티 간의 관계를 구조화하여 국소적 정보와 전역적 정보를 동시에 제공한다. 특히 LightRAG와 LeanRAG는 각각 속도 최적화와 계층적 구조화를 통해 기존 GraphRAG의 한계를 극복한다.

배경

기존의 벡터 기반 RAG는 텍스트 청크 간의 관계 정보를 활용하지 못해 전체적인 맥락 파악에 한계가 있었다.

대상 독자

RAG 시스템의 성능 개선을 고민하는 개발자 및 지식 그래프 기반 AI 연구자

의미 / 영향

Graph-based RAG의 발전으로 대규모 문서군에 대한 심층적인 분석과 요약이 가능해졌다. 특히 LightRAG와 같은 경량화 모델의 등장은 실무 환경에서 그래프 RAG 도입의 가장 큰 장벽이었던 비용과 속도 문제를 해결해 줄 것이다. 향후 기업용 지식 관리 시스템이나 전문 분야의 AI 에이전트 구축에 핵심 기술로 자리 잡을 전망이다.

챕터별 상세

01:18

Graph-based RAG의 개요와 필요성

기존 바닐라 RAG는 텍스트를 단순 청크로 나누어 벡터 임베딩하므로 청크 간의 관계 정보를 소실하는 문제가 있다. Graph-based RAG는 텍스트 코퍼스를 엔티티와 관계 중심의 지식 그래프로 표현하여 데이터베이스를 구축한다. 이를 통해 복잡한 상호 관계를 포함한 질의나 전역적인 요약이 필요한 질의에서 훨씬 높은 정확도를 보인다. 의학 연구 분석이나 법률 판례 분석처럼 여러 문서에 흩어진 정보를 연결해야 하는 도메인에서 특히 유용하다.

바닐라 RAG는 코사인 유사도 기반의 단순 검색에 의존하지만, 그래프 기반은 노드 간의 연결성을 추적할 수 있다.

07:28

Graph-based RAG의 연구 흐름

Microsoft의 GraphRAG를 기점으로 지식 그래프를 활용한 RAG 연구가 본격화되었다. 초기 연구는 엔티티 추출 후 커뮤니티 탐지(Community Detection)를 통해 요약문을 생성하는 방식에 집중했다. 이후 검색 속도를 개선하거나 계층적 구조를 도입하여 정보의 중복을 줄이는 방향으로 발전했다. 최근에는 엔티티 노드뿐만 아니라 관계(Relationship) 자체를 키-값 쌍으로 재표현하여 검색 효율을 높이는 시도가 이어지고 있다.

14:48

LightRAG: 단순하고 빠른 그래프 RAG

LightRAG는 기존 GraphRAG의 높은 인덱싱 비용과 느린 검색 속도를 해결하기 위해 제안된 방법론이다. 엔티티와 관계를 각각 이름과 설명문의 키-값(K-V) 쌍으로 구조화하여 저장한다. 검색 시에는 질의에서 'Low-level' 키워드와 'High-level' 키워드를 동시에 추출하여 듀얼 레벨 검색을 수행한다. 실험 결과 기존 방식 대비 API 호출 횟수와 토큰 사용량을 획기적으로 줄이면서도 답변의 다양성 지표에서 우수한 성적을 거두었다.

듀얼 레벨 검색은 구체적인 엔티티 정보와 추상적인 주제 정보를 동시에 찾는 전략이다.

28:51

LeanRAG: 계층적 검색과 중복 제거

LeanRAG는 지식 그래프 내의 정보 중복을 최소화하고 계층적 구조를 활용하는 데 초점을 맞춘다. 엔티티들을 시맨틱 클러스터링하여 상위 개념의 'Abstract Entity'를 생성하고 이들 간의 관계를 다시 정의한다. 검색 시에는 LCA(Lowest Common Ancestor) 알고리즘을 사용하여 질의와 관련된 가장 적절한 계층의 서브그래프를 찾아낸다. 이를 통해 답변 생성에 불필요한 중복 정보를 걷어내고 핵심 맥락만을 LLM에 전달하여 효율성을 높인다.

LCA는 트리나 그래프 구조에서 두 노드의 공통된 가장 가까운 조상을 찾는 알고리즘이다.

42:23

실험 결과 및 결론

LightRAG와 LeanRAG 모두 기존 바닐라 RAG 및 초기 GraphRAG 모델보다 높은 성능을 기록했다. 특히 데이터셋의 크기가 커질수록 그래프 기반 방식의 성능 우위가 두드러지게 나타났다. LightRAG는 인덱싱 시간과 메모리 사용량 측면에서 압도적인 효율성을 보였다. LeanRAG는 정보의 중복을 줄임으로써 LLM이 더 정확한 맥락에서 답변을 생성하도록 돕는다는 점이 입증되었다.

text

-Entity: {entity_name}, {entity_type}, {description}
-Relationship: {src_tgt}, {description}, {strength}

LLM을 통해 텍스트 코퍼스에서 엔티티와 관계를 추출하기 위한 표준 프롬프트 구조 예시

실무 Takeaway

복잡한 관계 추론이 필요한 도메인에서는 단순 벡터 검색보다 지식 그래프 기반의 RAG가 훨씬 유리하다.
질의를 Low-level과 High-level로 분리하여 검색하면 국소적 사실과 전역적 맥락을 동시에 포착할 수 있다.
지식 그래프 구축 시 엔티티 클러스터링과 계층화(Hierarchical) 과정을 거치면 정보 중복을 줄이고 검색 효율을 높일 수 있다.
그래프 기반 RAG에서도 원문 텍스트(Context)를 함께 활용하는 것이 답변의 구체성을 확보하는 데 필수적이다.

언급된 리소스

논문LightRAG: Simple and Fast Retrieval-Augmented Generation

GitHubLeanRAG GitHub Repository

AI 분석 전체 내용 보기

AI 요약 · 북마크 · 개인 피드 설정 — 무료

출처 · 인용 안내

원문 발행 2026. 05. 02.수집 2026. 05. 02.출처 타입 YOUTUBE

인용 시 "요약 출처: AI Trends (aitrends.kr)"를 표기하고, 사실 확인은 원문 보기 기준으로 진행해 주세요. 자세한 기준은 운영 정책을 참고해 주세요.