1 Neo4j GraphRAG: 왜 진짜 그래프 DB가 필요한가

1.1 이전 시리즈와 무엇이 다른가

이전 시리즈(langchain-graph-retriever)에서 배운 것:

벡터 스토어 메타데이터 → 엣지로 활용 → BFS 탐색

이것은 편리하지만, 관계가 이미 메타데이터에 존재해야만 동작한다. 텍스트에 숨어 있는 관계는 추출하지 못한다.

Neo4j GraphRAG가 추가하는 것:

문서 텍스트 → LLM 분석 → 엔티티/관계 추출 → Neo4j 저장 → Cypher 탐색

텍스트에서 관계를 직접 추출하여 명시적 지식 그래프를 구축한다.

1.2 핵심 차이 비교

[langchain-graph-retriever]          [Neo4j GraphRAG]
───────────────────────────          ──────────────────────
문서 메타데이터 활용                  LLM으로 엔티티/관계 추출
                                     → Neo4j에 명시적 저장

edges=[("origin","origin")]          (Elon_Musk)-[:FOUNDED]->(Tesla)
                                     (Tesla)-[:LOCATED_IN]->(Austin)

BFS 메타데이터 탐색                  Cypher 쿼리
                                     MATCH (p:Person)-[:FOUNDED]->(c:Company)

관계 속성 불가                       관계에 속성 가능
                                     [:FOUNDED {year: 2003}]

전체 그래프 알고리즘 불가            GDS: PageRank, Louvain, 중심성 분석

1.3 Neo4j Property Graph 모델

Neo4j는 Property Graph를 저장한다.

노드 (Node)
  - 레이블(Label): 타입 구분  예) :Person, :Company, :Location
  - 속성(Property): key-value  예) {name: "Elon Musk", born: 1971}

관계 (Relationship)
  - 타입(Type): 의미 구분  예) :FOUNDED, :WORKS_AT, :LOCATED_IN
  - 방향성: 단방향         예) (A)-[:FOUNDED]->(B)
  - 속성(Property)         예) {year: 2003, role: "CEO"}

예시:

(Elon_Musk:Person {name: "Elon Musk", born: 1971})
  -[:FOUNDED {year: 2003}]->
(Tesla:Company {name: "Tesla", sector: "EV"})
  -[:LOCATED_IN]->
(Austin:Location {name: "Austin", state: "Texas"})

이 구조 덕분에: - “일론 머스크가 설립한 회사들의 본사 위치는?” → 한 번의 Cypher 쿼리로 해결 - 관계 자체에 연도, 역할 등의 속성 부여 가능 - 역방향 탐색도 동일하게 간단

1.4 Neo4j GraphRAG 전체 파이프라인

[1. 문서 수집]
  원본 텍스트, PDF, HTML 등

[2. Knowledge Graph 구축]
  LLMGraphTransformer
  → 엔티티(노드) + 관계(엣지) 추출
  → Neo4j에 저장
  → 벡터 임베딩도 함께 저장 (Neo4j Vector Index)

[3. 검색]
  Vector Search     → 의미적 유사 노드 탐색
  Cypher Traversal  → 관계를 따라 정밀 탐색
  Hybrid            → 두 방식 결합

[4. GDS 분석 (선택)]
  Louvain   → 커뮤니티 감지
  PageRank  → 중요 노드 식별
  → Microsoft GraphRAG의 Global Search 구현에 활용

[5. 답변 생성]
  검색 결과 → LLM → 최종 답변

1.5 주요 패키지

# Neo4j 공식 GraphRAG 패키지
pip install neo4j-graphrag

# LangChain Neo4j 통합
pip install langchain-neo4j

# LLMGraphTransformer (엔티티/관계 추출)
pip install langchain-experimental

# GDS (Graph Data Science) Python 클라이언트
pip install graphdatascience

# Neo4j Python 드라이버
pip install neo4j

1.6 이 시리즈 구성

파일	주제
01	Neo4j 설치 & 첫 연결
02	Cypher 기초 (그래프 쿼리 언어)
03	LLMGraphTransformer: 문서 → 지식 그래프
04	Neo4j 벡터 인덱스
05	하이브리드 검색 (벡터 + Cypher)
06	GDS: 커뮤니티 감지
07	GDS: PageRank & 중심성
08	Microsoft GraphRAG 방식 구현
09	Text2Cypher QA 시스템
10	평가: Neo4j vs 메타데이터 방식

1.7 언제 Neo4j GraphRAG를 선택해야 하는가

상황	langchain-graph-retriever	Neo4j GraphRAG
이미 벡터 스토어 있음	✅ 적합	과함
메타데이터 잘 구조화됨	✅ 적합	과함
텍스트에서 관계 추출 필요	❌ 불가	✅ 적합
복잡한 관계 패턴 탐색	❌ 불가	✅ 적합
전체 그래프 분석 필요	❌ 불가	✅ 적합
빠른 프로토타이핑	✅ 적합	느림
엔터프라이즈 규모	한계 있음	✅ 적합

다음 파일에서는 Neo4j를 설치하고 첫 연결을 해본다.