1 Microsoft GraphRAG 방식 구현
1.1 Microsoft GraphRAG 개요
Microsoft Research가 2024년 4월 발표한 GraphRAG는 두 가지 검색 모드를 제시한다.
Global Search ── "AI 업계의 전체적인 동향은?"
→ 커뮤니티 요약을 활용한 포괄적 답변
→ 전체 그래프의 거시적 패턴 파악에 적합
Local Search ── "일론 머스크의 주요 업적은?"
→ 특정 엔티티 주변 그래프를 탐색한 상세 답변
→ 특정 엔티티에 대한 미시적 정보에 적합1.2 사전 요구사항
이 파일은 이전 파일들이 완료된 상태를 가정한다.
필요한 사전 작업:
✅ 03: LLMGraphTransformer로 KG 구축 완료
✅ 04: 벡터 인덱스 생성 완료
✅ 06: Louvain 커뮤니티 감지 완료 (louvain_community 속성)
✅ 07: PageRank 계산 완료 (pagerank 속성)
✅ 06: 커뮤니티 요약 생성 완료 (Community 노드 + summary 속성)1.3 Global Search
1.3.1 개념
- 모든 커뮤니티의 요약을 LLM에 제공
- LLM이 커뮤니티 요약들을 종합하여 전체적 답변 생성
[Community 1 요약]: "Tesla와 SpaceX를 중심으로 한 전기차·우주 클러스터"
[Community 2 요약]: "Google, DeepMind를 중심으로 한 AI 연구 클러스터"
[Community 3 요약]: "OpenAI, Microsoft를 중심으로 한 LLM 상업화 클러스터"
↓ LLM
질문: "AI 업계 동향은?" → 3개 커뮤니티를 종합한 포괄적 답변1.3.2 구현
from langchain_neo4j import Neo4jGraph
from langchain_openai import ChatOpenAI
from langchain_core.prompts import PromptTemplate
from langchain_openai import OpenAIEmbeddings
graph = Neo4jGraph(url="bolt://localhost:7687",
username="neo4j", password="password")
llm = ChatOpenAI(model="gpt-4o", temperature=0)
embedder = OpenAIEmbeddings(model="text-embedding-3-small")
GLOBAL_SEARCH_PROMPT = PromptTemplate.from_template("""
다음 커뮤니티 요약들을 바탕으로 질문에 종합적으로 답하세요.
모든 관련 커뮤니티의 정보를 통합하여 전체적인 그림을 제시하세요.
특정 커뮤니티의 정보만이 아닌 여러 커뮤니티에 걸친 패턴도 언급하세요.
질문: {question}
커뮤니티 요약:
{community_summaries}
종합 답변:
""")
def global_search(question: str, top_k_communities: int = 10) -> str:
"""커뮤니티 요약 기반 전체적 답변 생성."""
# 가장 큰 (중요한) 커뮤니티들의 요약 조회
communities = graph.query("""
MATCH (c:Community)
WHERE c.summary IS NOT NULL
RETURN c.id AS id, c.size AS size, c.summary AS summary
ORDER BY c.size DESC
LIMIT $top_k
""", params={"top_k": top_k_communities})
if not communities:
return "커뮤니티 요약이 없습니다. 먼저 커뮤니티 감지와 요약 생성을 실행하세요."
summaries_text = "\n\n".join(
f"[그룹 {c['id']}, 규모: {c['size']}개 엔티티]\n{c['summary']}"
for c in communities
)
return llm.invoke(
GLOBAL_SEARCH_PROMPT.format(
question=question,
community_summaries=summaries_text,
)
).content
# 실행
answer = global_search("AI 업계에서 주목할 만한 트렌드와 주요 기업은?")
print(answer)1.4 Local Search
1.4.1 개념
- 벡터 검색으로 관련 엔티티 찾기
- 해당 엔티티 주변 그래프를 Cypher로 깊이 탐색
- 원본 문서 텍스트 + 그래프 컨텍스트를 LLM에 제공
질문: "일론 머스크의 주요 사업은?"
↓ 벡터 검색
[Elon Musk] 노드 발견
↓ Cypher 탐색
(Elon Musk)-[:FOUNDED]->(Tesla), (SpaceX), (PayPal)
(Tesla)-[:LOCATED_IN]->(Austin)
(Tesla)-[:PRODUCES]->(Model S), (Model 3)
↓ 원본 문서 텍스트 + 그래프 관계
LLM → 상세하고 정확한 답변1.4.2 구현
from langchain_neo4j import Neo4jVector
LOCAL_SEARCH_PROMPT = PromptTemplate.from_template("""
다음 정보를 바탕으로 질문에 구체적으로 답하세요.
질문: {question}
관련 문서:
{documents}
관련 그래프 정보:
{graph_context}
답변:
""")
def local_search(question: str, k: int = 5) -> str:
"""엔티티 중심 상세 탐색 및 답변 생성."""
# Step 1: 벡터 검색
vector_store = Neo4jVector.from_existing_index(
embedding=embedder,
url="bolt://localhost:7687",
username="neo4j",
password="password",
index_name="document_embeddings",
)
vector_results = vector_store.similarity_search(question, k=k)
# Step 2: 발견된 엔티티 주변 그래프 탐색
entity_ids = [
doc.metadata.get("id")
for doc in vector_results
if doc.metadata.get("id")
]
graph_contexts = []
for entity_id in entity_ids[:3]:
# 2-hop 탐색
neighbors = graph.query("""
MATCH path = (n {id: $id})-[r*1..2]-(m)
WHERE n:__Entity__ AND m:__Entity__
WITH n, r, m, length(path) AS depth
RETURN n.id AS entity,
[rel IN r | type(rel)] AS relations,
m.id AS neighbor,
labels(m)[0] AS neighbor_type,
depth
ORDER BY depth
LIMIT 20
""", params={"id": entity_id})
for row in neighbors:
rel_chain = " → ".join(row["relations"])
graph_contexts.append(
f"({row['entity']}) -[{rel_chain}]-> "
f"({row['neighbor_type']}:{row['neighbor']})"
)
# Step 3: 원본 문서 + 그래프 컨텍스트 결합
docs_text = "\n\n".join(
f"[문서 {i+1}] {doc.page_content}"
for i, doc in enumerate(vector_results)
)
graph_text = "\n".join(graph_contexts) if graph_contexts else "관련 그래프 정보 없음"
return llm.invoke(
LOCAL_SEARCH_PROMPT.format(
question=question,
documents=docs_text,
graph_context=graph_text,
)
).content
# 실행
answer = local_search("일론 머스크의 주요 사업과 각 사업의 특징은?")
print(answer)1.5 Global vs Local Search 라우팅
질문 유형에 따라 자동으로 검색 모드를 선택한다.
ROUTER_PROMPT = PromptTemplate.from_template("""
다음 질문이 어떤 검색 방식에 적합한지 판단하세요.
"global": 전체적인 패턴, 요약, 트렌드, 업계 동향 등 광범위한 질문
"local": 특정 인물, 회사, 사건 등에 대한 구체적인 질문
질문: {question}
"global" 또는 "local" 중 하나만 출력:
""")
def route_and_search(question: str) -> str:
"""질문 유형에 따라 Global 또는 Local Search 실행."""
route = llm.invoke(
ROUTER_PROMPT.format(question=question)
).content.strip().lower()
print(f"라우팅 결정: {route}")
if route == "global":
return global_search(question)
else:
return local_search(question)
# 테스트
questions = [
"AI 업계의 주요 기업과 트렌드는?", # → global
"Tesla의 창립자와 설립 연도는?", # → local
"전기차 시장의 경쟁 구도는?", # → global
"일론 머스크가 설립한 회사 목록은?", # → local
]
for q in questions:
print(f"\n질문: {q}")
print(f"답변: {route_and_search(q)[:200]}...")1.6 전체 파이프라인 통합
from langchain_core.runnables import RunnableLambda
def microsoft_graphrag_pipeline(question: str) -> str:
"""Microsoft GraphRAG 완전 파이프라인."""
# 라우팅
route = llm.invoke(
ROUTER_PROMPT.format(question=question)
).content.strip().lower()
if "global" in route:
return global_search(question, top_k_communities=10)
else:
return local_search(question, k=5)
# 사용
result = microsoft_graphrag_pipeline(
"AI 분야에서 가장 영향력 있는 인물과 그들의 주요 업적은?"
)
print(result)1.7 정리
Microsoft GraphRAG 두 가지 모드:
Global Search (거시적):
커뮤니티 요약 → LLM 종합 답변
적합: "업계 동향", "전체 패턴", "요약" 질문
Local Search (미시적):
벡터 검색 → 엔티티 발견 → Cypher 2~3 hop 탐색 → LLM 상세 답변
적합: "특정 인물/회사/사건" 질문
라우팅:
LLM이 질문 분석 → global or local 결정 → 해당 검색 실행
사전 준비:
KG 구축 (03) → 커뮤니티 감지 (06) → 커뮤니티 요약 생성 (06) → 검색다음 파일에서는 자연어를 Cypher로 변환하는 Text2Cypher QA 시스템을 구현한다.