GraphRAG이 정말 필요한가? 기본 RAG부터 그래프/에이전트 기반 솔루션까지, 맥락 최적화를 통한 다양한 접근 방식

Is GraphRAG Needed? From Basic RAG to Graph-/Agentic Solutions with Context Optimization

GraphRAG 및 에이전트 기반 RAG와 같은 고급 RAG 변형들이 등장하면서, 언제 그리고 어떻게 이러한 기술을 활용해야 하는지에 대한 중요한 질문이 제기되고 있습니다. 본 연구에서는 정규 RAG, GraphRAG, 모듈식 RAG, 그리고 에이전트 기반 RAG를 포함한 다양한 RAG 시나리오에 대한 평가 및 비교 프레임워크를 제시합니다. 9가지 표준화된 RAG 시나리오에 대한 구현을 제공하고, 종합적인 비교를 위한 실험을 수행했습니다. 이러한 시나리오는 데이터 및 도메인 제약 조건이 있는 실제 사용 사례를 반영하며, 단순한 문서 기반 검색부터 하이브리드 텍스트-그래프 검색, 계산되거나 미리 정의된 도메인 지식 그래프 통합, 에이전트 기반 다단계 계획, 그리고 에이전트-그래프 통합과 같은 고급 기능까지 포함합니다. 또한, GraphRAG 및 에이전트 기반 RAG의 맥락 엔지니어링 방법을 새롭게 제시하여, 맥락/메모리 오버플로우 문제를 해결하고 새로운 표현 방식과 에이전트 루프 설계를 통해 텍스트 및 그래프 검색을 효율적으로 관리함으로써 토큰 사용량을 19%에서 53%까지 줄였습니다. 더 나아가, 추가적인 분석 결과, 확장된 검색이 생성 품질 향상에 반드시 비례하지 않는 '검색-생성 간 격차'가 존재하며, 이는 검색 중심의 지표가 고급 검색 기술의 이점을 과장할 수 있음을 시사합니다. 본 연구는 데이터 기반의 통찰력을 제공하여, 실제 생산 환경에서 활용 가능한 지능형 RAG 시스템을 구축하기 위한 방법과 시점에 대한 이해를 돕습니다.

As advanced RAG variants like GraphRAG and Agentic RAG emerge, one leading question is when and how to use them. Here, we introduce a framework for different RAG scenarios evaluation and comparison on semi-structured knowledge bases, including regular RAG, GraphRAG, Modular RAG and Agentic RAG. We provide implementation for 9 standardized RAG scenarios, and conduct experiments for a comprehensive comparison. These scenarios are designed for real use cases regarding data and domain restrictions, spanning from simple document-based retrieval to advanced features such as hybrid text-graph retrieval, integration with computed or pre-defined domain knowledge graphs, agentic multi-step planning, and agent-graph integration. Besides, we present a novel context engineering method for GraphRAG and Agentic RAG, addressing the context/memory overflow issues, efficiently managing text and graph retrievals with new representations and agentic loop design, leading to 19%-53% reduction on token usage. Moreover, further analysis identifies a retrieval-generation gap where expanded retrieval does not proportionally improve generation quality, suggesting retrieval-oriented metrics overstate advanced retrieval benefits. This work provides data-driven insights on when and how to use them for building production-ready intelligent RAG systems.