Graph RAG(그래프 RAG)는 지식 그래프(용어·설비·공정·규정을 노드와 관계로 잇는 지식의 지도)를 검색 단계에 결합한 검색 증강 생성(RAG) 방식입니다. 의미가 비슷한 문장을 찾는 벡터 검색과 달리, Graph RAG는 '원료 → 공정 → 설비 → 규정'처럼 얽힌 관계를 여러 단계로 따라가며(다중 홉, multi-hop) 답의 근거와 출처를 함께 제시합니다. 그래서 규정·설비·공정이 촘촘히 얽힌 제조 현장에서 정확도와 설명가능성을 동시에 끌어올립니다.
TL;DR (핵심 요약)
Graph RAG란 지식 그래프의 노드·관계를 검색에 결합해, 벡터 검색이 못 보는 다중 홉 관계·근거·출처 추적을 제공하는 RAG입니다.
벡터 RAG는 "비슷한 문서 찾기"에, Graph RAG는 "A가 B에 어떤 영향을 주나" 같은 관계 질문에 강합니다. 둘은 경쟁이 아니라 역할이 다릅니다.
제조처럼 규정·공정이 얽힌 도메인에서는 하나만으로 부족합니다. 제조 AI 운영 레이어인 AX Flow는 벡터·키워드·그래프 세 엔진을 묶은 Triple-RAG로 처리하고, Graph RAG는 그중 다중 홉·출처 추적을 맡는 ③엔진입니다.
Graph RAG란 무엇인가 — 지식그래프를 검색에 결합한 RAG
Graph RAG란? 지식 그래프를 검색 단계에 결합해, 질문과 관련된 개념들을 관계로 연결해 답하는 RAG 방식입니다. 여기서 지식 그래프는 '이 설비는 이 공정에 쓰이고, 이 공정은 이 규정을 따른다'처럼 개념(노드)과 개념 사이의 관계(엣지)를 그래프로 표현한 것입니다.
일반적인 RAG는 문서를 잘게 나눠 임베딩(의미를 숫자 벡터로 바꾼 값)으로 저장한 뒤, 질문과 의미가 가까운 조각을 찾아 언어모델에 넣습니다. 편리하지만 한계가 있습니다. '비슷해 보이는' 문단은 잘 찾아도, 여러 사실을 이어야 답이 나오는 질문에는 약합니다.
Graph RAG는 여기서 갈립니다. 개념 사이의 연결을 직접 따라가기 때문에, "이 원료의 이상이 어떤 완제품 배치에 영향을 주는가"처럼 여러 단계를 건너뛰어야 하는 질문에 경로를 짚으며 답합니다. 그 경로 자체가 곧 근거이자 출처가 됩니다.
Graph RAG와 벡터 RAG(Vector RAG)는 무엇이 다른가
가장 자주 나오는 질문입니다. 핵심 차이는 "무엇으로 검색하는가" 입니다.
벡터 RAG(Vector RAG) 는 의미 유사도로 검색합니다. 표현이 달라도 뜻이 비슷한 문단을 잘 찾습니다. "세척 절차 알려줘" 같은 단순·키워드형 질문에 빠르고 정확합니다.
Graph RAG 는 관계로 검색합니다. 노드에서 노드로 연결을 따라가며(다중 홉) "왜"와 "그래서 무엇에 영향을 주나"에 답합니다. 근거 경로를 남기므로 출처 추적에 강합니다.
즉 벡터 RAG가 '비슷한 것 찾기'라면 Graph RAG는 '연결 따라가기'입니다. 실무에서는 둘 중 하나만 쓰기보다 질문 유형에 따라 나눠 쓰는 편이 정확도와 비용 모두에 유리합니다. 이 조합 방식이 뒤에 설명할 Triple-RAG입니다.
온톨로지와 Graph RAG의 관계 — 지도가 있어야 길을 찾는다
'graph rag 온톨로지', '온톨로지 rag'를 함께 검색하는 이유가 여기 있습니다. 온톨로지는 용어와 관계를 정의한 규칙집이고, 지식 그래프는 그 규칙에 따라 실제 데이터를 이어 만든 지도입니다. Graph RAG는 그 지도 위에서 길을 찾는 검색 방식입니다.
정리하면 이렇습니다.
온톨로지: "배치·로트·설비·규정은 이런 관계다"라고 의미 체계를 정의한다.
지식 그래프: 그 정의에 맞춰 흩어진 제조 데이터를 노드와 관계로 연결한다.
Graph RAG: 그 그래프를 다중 홉으로 순회해 근거와 함께 답한다.
온톨로지 없이 그래프만 쌓으면 관계의 의미가 흐릿하고, 그래프 없이 온톨로지만 있으면 실제 검색이 안 됩니다. 이 세 층이 맞물려야 제조 지식이 '검색 가능한 뇌'가 됩니다. 온톨로지·지식그래프로 제조 데이터를 잇는 원리는 온톨로지·지식그래프로 제조 데이터를 연결하는 방법(온톨로지 rag)에서 더 깊이 다뤘습니다.
한눈에 보는 비교: 벡터 RAG vs Graph RAG vs Triple-RAG
구분 | 벡터 RAG (Vector RAG) | Graph RAG | Triple-RAG (하이브리드) |
|---|---|---|---|
검색 방식 | 의미 유사도(임베딩) | 노드·관계 다중 홉 순회 | 벡터+키워드+그래프 결합 |
잘하는 질문 | "비슷한 문서 찾아줘" | "A가 B에 어떤 영향을 주나" | 질의 유형별 자동 분배 |
근거·출처 | 유사 문단 제시 | 관계 경로로 근거 추적 | 세 방식의 근거를 종합 |
다중 홉 관계 | 약함 | 강함 | 강함 |
제조 적합성 | 단순 검색 | 규정·설비·공정 연쇄 | 현장 질의 전반 |
핵심은 셋을 우열이 아니라 역할로 보는 것입니다. 단순 검색은 벡터가 빠르고, 관계 추론은 그래프가 정확하며, 실제 현장 질문은 그 사이를 오갑니다. 그래서 하나를 고르는 대신 질문마다 적합한 엔진을 배분하는 설계가 나옵니다.
표 1. 벡터 RAG·Graph RAG·Triple-RAG 비교 — 셋은 우열이 아니라 역할이 다르며, 질문 유형에 따라 나눠 쓸 때 정확도와 비용이 함께 개선된다.
제조 데이터에 Graph RAG를 적용하는 법 — Triple-RAG의 ③엔진
제조 AI 운영 레이어인 AX Flow는 Graph RAG를 단독으로 쓰지 않고, 세 검색 엔진을 하나로 묶은 Triple-RAG 방식으로 처리합니다. Graph RAG는 그중 관계 추론과 출처 추적을 맡는 ③엔진입니다.
① 벡터 RAG + 키워드(BM25): 단순·1차 검색을 빠르게 처리합니다.
② LightRAG: 텍스트·표·이미지·수식이 섞인 멀티모달 문서와 증분 갱신을 담당합니다.
③ GraphRAG(Neo4j Native): 노드·관계를 다중 홉으로 순회해 근거와 출처를 짚습니다.
질문이 들어오면 라우터가 유형을 판별해 한 개·두 개·세 개 엔진에 배분합니다. 단순 질문은 가볍게, 복잡한 관계 질문은 그래프까지 동원해 — 정확도는 올리고 평균 비용은 낮추는 구조입니다. 여기서 짚을 점은 Graph RAG가 이 흐름의 전부가 아니라는 것입니다. AX Flow는 이렇게 구조화한 지식(뇌) 위에서, 노코드 빌더로 만든 에이전트가 업무를 실제로 수행하고, 감사·권한으로 통제하는 4계층(연결·구조화·실행·거버넌스) 솔루션이며, Graph RAG는 그중 구조화(Structure) 를 떠받치는 핵심입니다.
제조 데이터에 적용할 때의 실무 순서는 이렇습니다.
연결(Connect): MES·ERP·QMS(품질관리)·PLM과 PDF·엑셀·도면·OCR(문서 이미지 인식) 자료를 끌어옵니다.
구조화(Structure): 표준작업절차(SOP)·기술표준·규정을 온톨로지와 지식 그래프로 엮어 Graph RAG가 순회할 지도를 만듭니다.
검색·실행(Execute): Triple-RAG가 질의를 배분해 근거와 함께 답하고, 그 답을 바탕으로 에이전트가 검토·진단 초안 같은 업무를 사람 확인을 거쳐 수행합니다.
이 과정은 데이터를 외부로 내보내지 않도록 온프레미스(내부 서버)에서 경량 언어모델(Gemma 27B)과 한국어 임베딩(arctic-embed 계열) 으로 구동합니다. 규정·도면이 외부로 나가면 안 되는 제조·제약 환경을 전제로 한 설계입니다.
그림 2. Triple-RAG 3엔진 역할 — 벡터+BM25 / LightRAG / GraphRAG(Neo4j Native)를 라우터가 질의 유형별로 배분한다. Graph RAG는 다중 홉·근거·출처 추적을 맡는 ③엔진.
그림 3. Graph RAG 다중 홉 예시 — "이 원료 이상이 어떤 완제품 배치에 영향을 주나?"라는 질문을 원료 → 공정 → 설비 → 배치 → 규정 순으로 순회해 답과 근거 경로를 함께 제시한다.
Graph RAG 적용 사례 — 제조 현장에서 확인된 것
개념이 실제로 동작하는지는 현장 결과로 판단해야 합니다. 퓨처워크랩이 확정한 사례입니다.
스파이어테크놀로지(강원 후평산단): 표준작업절차(SOP)·기술표준 문서를 지식 그래프로 통합하는 계약을 2026년 3월 체결해 운영 중입니다. Graph RAG가 순회할 '지도'를 실제 제조 문서로 구축한 사례입니다.
브로넥스 PoC(개념검증): 제조 현장 질의응답 정확도 90.2% 를 확인했습니다. 근거를 짚으며 답하는 구조가 정확도로 이어진 결과입니다.
생산 스케줄링: 같은 PoC에서 MES 생산 스케줄링 작업 시간을 1시간에서 5분 수준으로 줄였습니다. 답에 그치지 않고 실제 업무를 끝낸 예입니다.
이 밖에 정부 초격차 스타트업 LLM 과제 선정, 제조 워크플로우·온톨로지 관련 특허 5건 출원으로 기술 기반을 쌓아 왔습니다. 공통점은 하나 — 관계로 이어진 지식이 근거와 함께 실제 업무를 하기 시작했다는 것입니다.
자주 묻는 질문 (FAQ)
Q1. Graph RAG란 무엇인가요?
Graph RAG는 지식 그래프(개념을 노드, 개념 간 관계를 엣지로 표현한 지도)를 검색에 결합한 RAG입니다. 의미 유사도만 보는 벡터 검색과 달리 관계를 다중 홉으로 따라가며 답의 근거와 출처를 함께 제시합니다. 여러 사실을 이어야 답이 나오는 질문에 강합니다.
Q2. Graph RAG와 벡터 RAG는 무엇이 다른가요?
검색하는 기준이 다릅니다. 벡터 RAG는 의미가 비슷한 문단을 찾아 단순·키워드형 질문에 빠릅니다. Graph RAG는 개념 사이의 연결을 따라가 "왜", "무엇에 영향을 주나" 같은 관계 질문과 출처 추적에 강합니다. 우열이 아니라 역할이 다르며, 실무에서는 질문 유형별로 나눠 씁니다.
Q3. 온톨로지와 Graph RAG는 어떤 관계인가요?
온톨로지는 용어와 관계를 정의한 규칙집, 지식 그래프는 그 규칙으로 데이터를 이은 지도, Graph RAG는 그 지도 위에서 길을 찾는 검색 방식입니다. 세 층이 맞물려야 흩어진 제조 지식이 검색 가능한 '조직의 뇌'가 됩니다.
Q4. 제조 현장에 Graph RAG를 어떻게 적용하나요?
먼저 MES·ERP·QMS·PLM과 문서 자료를 연결하고, SOP·기술표준·규정을 온톨로지와 지식 그래프로 구조화한 뒤, 그 위에서 Graph RAG로 검색합니다. 퓨처워크랩은 이를 벡터·키워드·그래프를 결합한 Triple-RAG로 처리하며, 데이터가 외부로 나가지 않도록 온프레미스 경량 언어모델로 구동합니다.
Q5. Graph RAG의 정확도가 높은 이유는 무엇인가요?
답을 '비슷해 보이는 문단'이 아니라 관계 경로에서 끌어오기 때문입니다. 근거가 경로로 남으므로 언어모델이 지어내기(환각) 어렵고, 규정·설비·공정이 얽힌 제조 질문일수록 차이가 큽니다. 실제 PoC에서 제조 질의응답 정확도 90.2%가 확인됐습니다.
다음 단계
Graph RAG는 '똑똑한 검색 기능' 하나가 아니라, 흩어진 제조 지식을 관계로 이어 근거와 함께 답하고 실제 일을 끝내는 운영 구조의 일부입니다. 우리 공장 데이터가 지금 어디까지 연결돼 있는지부터 확인해 보세요.
AX Flow — 제조 AI 운영 레이어 → — Graph RAG를 포함한 4-Layer(연결·구조화·실행·거버넌스)가 제품에서 어떻게 작동하는지
AX Flow 기술 문서 → — Triple-RAG·온프레미스 구조를 개발 관점에서 확인
AX Flow 데모 요청 → — 우리 공장 문서로 2주 PoC 직접 확인