RAG(검색 증강 생성) 모델은 적절한 데이터 세분화를 통해 그 효과를 최적화할 수 있습니다. 반면에 두 사람 간의 길고 상세한 대화는 정보 교환 측면에서 효율적이지 않을 수 있습니다. RAG의 성능을 향상시키기 위해 사전 검색, 사후 검색 및 프롬프트 압축의 맥락에서 GraphRAG를 활용할 수 있습니다.
GraphRAG는 관련 문서를 검색하기 위해 지식 그래프를 활용하고, 추가 관련 정보를 추출하기 위해 가변 길이 에지(VLE) 쿼리를 사용합니다. 그러나 이 프로세스에는 효율적인 데이터 추출을 위한 데이터베이스 최적화가 필요합니다. GraphRAG의 값은 검색에 사용된 시맨틱 컨텍스트를 나타내며, 이를 통해 검색이 성공했는지 평가할 수 있습니다.
별도의 벡터DB와 그래프DB가 아닌 단일 데이터베이스(그래프DB)를 사용하면 동일한 데이터베이스 내에서 시맨틱(GraphRAG) 및 벡터 인덱싱이 가능하므로 검색된 정보의 품질을 평가하고 필요한 경우 개선할 수 있습니다. 그래프는 주어진 쿼리의 맥락과 문서 간의 관계를 이해하는 데 도움이 되며, 관련성이 없거나 잘못된 데이터 소스를 식별하고 수정하면서 관련 정보를 반환할 수 있습니다.