김치연구소 연구원을 위한 쉬운 안내서. 기술 용어는 최소화하고, 김치 예시로 설명합니다.
연구소에 방대한 자료실(논문·보고서·구술기록·엑셀)이 있다고 합시다. 질문에 답하는 세 가지 방식이 있습니다.
온톨로지 자료실의 '분류 체계와 개념 지도'입니다. "배추김치는 김치의 한 종류다", "김치는 유산균으로 발효된다", "젓갈은 감칠맛에 기여한다" 처럼 개념과 관계를 미리 정리해 둔 것. 자료 내용 자체가 아니라 지식의 뼈대입니다.
RAG 질문을 들고 자료를 찾아 읽어주는 사서입니다. "함경북도에서는 김치를 어떻게 담갔나요?"라고 물으면, 관련 구술기록 대목을 찾아와 요약해 줍니다. 개념 지도는 없지만, 실제 문서 근거를 잘 찾습니다.
GraphRAG 개념 지도를 손에 든 사서입니다. "젓갈이 김치 맛에 어떤 영향을 주나요?"처럼 여러 단계를 거쳐야 하는 질문에서, 지도를 따라 젓갈 → 미생물 → 대사산물 → 감칠맛으로 연결을 짚어가며, 동시에 그 근거 문서까지 찾아 답합니다.
온톨로지(=지식그래프, KG)는 개념(노드)과 관계(연결선)로 이루어진 지식의 지도입니다. 사람이 규칙을 정하거나, 문서에서 뽑아낸 사실을 채워 넣습니다.
▲ "배추김치는 김치의 한 종류이고, 배추·젓갈을 재료로 하며, 유산균으로 발효되어 젖산을 만든다" — 이런 규칙적 관계를 기계가 이해할 수 있게 정리한 것.
RAG는 Retrieval(검색) + Augmented(보강) + Generation(생성)의 줄임말입니다. 풀어 쓰면 "관련 자료를 먼저 찾아서, 그걸 근거로 AI가 답을 쓴다"입니다.
예: "평양 지역 김치의 특징은?" → 평양 구술기록에서 관련 문단을 찾아 → AI가 "물김치 계열이 많고…"처럼 출처가 있는 답을 만들어 줍니다.
GraphRAG는 RAG의 자료 검색에 온톨로지(개념 지도)를 더한 방식입니다. 질문에 답할 때 ① 관련 문서 조각도 찾고, ② 개념 지도에서 연결된 이웃 개념도 함께 따라갑니다. 그래서 여러 단계를 건너뛰어야 하는 질문에 강합니다.
"젓갈을 많이 넣으면 김치 발효와 맛이 어떻게 달라지나?"
개념 지도를 따라 사슬처럼 연결을 짚고(그래프), 각 단계의 근거를 문서에서 확인(RAG)해 종합적인 답을 만듭니다. RAG만으로는 이렇게 여러 개념을 엮기 어렵고, 온톨로지만으로는 자연어로 답하기 어렵습니다.
| 구분 | 온톨로지 (KG) | RAG | GraphRAG |
|---|---|---|---|
| 한마디로 | 개념 지도·사전 | 자료 찾아 답하는 사서 | 지도를 든 사서 |
| 핵심 재료 | 개념 + 관계(규칙) | 문서 조각(청크) | 문서 조각 + 개념 지도 |
| 답하는 방식 | 구조로 보여줌 (문장 답변 X) | 검색 → AI 생성 | 검색 + 그래프 탐색 → AI 생성 |
| 강점 | 정확한 정의·분류 | 근거 있는 답변 | 다단계·인과 추론 |
| 약점 | 단독으론 질의응답 불가 | 개념 연결 추론 약함 | 구축·운영이 가장 복잡 |
| 김치 예시 질문 | "배추김치의 상위 개념은?" | "평양 김치 특징은?" | "젓갈이 발효·맛에 주는 영향은?" |
KODE는 원본을 한 번만 파싱해 구조를 보존한 Canonical(파싱본)을 만들고, 거기서 세 가지를 파생합니다. (한 번 수집, 여러 갈래로 활용 · Ingest Once, Project Many)
즉, 같은 파싱본에서 RAG(검색)와 온톨로지(개념 지도)를 각각 만들고, 이 둘을 합쳐 GraphRAG로 확장하는 구조입니다. 작업대 왼쪽 메뉴가 이 순서 그대로입니다.