법규정 AI 상담서비스 구축을 위한 지식그래프 및 GraphRAG 설계

공공SW사업 법규정의 관계 구조화부터 Local Search와 DRIFT Search 활용 전략까지

최근 생성형 AI를 활용한 검색 증강 생성(Retrieval-Augmented Generation, RAG)이 공공행정, 법률, 기업 업무지원 등으로 빠르게 확대되고 있다. 그러나 실제 업무에 RAG를 적용하려면 관련 문서를 검색해 답변을 생성하는 것 이상의 검토가 필요하다.

특히 법령과 행정규칙은 개별 조문의 내용뿐 아니라 다른 조문과의 참조, 위임, 준용, 예외 관계에 따라 적용 요건이 달라진다. 질문과 유사한 문서를 검색하는 것만으로는 필요한 법적 근거를 충분히 확보하기 어려운 이유다.

이번 글에서는 공공SW사업 법규정 AI 분석·상담 시범서비스의 설계 사례를 바탕으로, 지식그래프(Knowledge Graph)를 도입한 배경과 데이터 구조화 방법, 그리고 GraphRAG의 Local Search·DRIFT Search 등 관계 기반 검색의 동작 원리와 장단점을 정리한다.

한눈에 보기

주제핵심 내용
문제의미적으로 유사한 조문 검색만으로는 위임·예외·준용 관계에 있는 근거가 누락될 수 있음
접근조문 단위 구조화 + 관계 추출(규칙 기반 우선) + 벡터 검색과 그래프 탐색의 결합
검색 전략질문 유형에 따라 Basic · Local · Global · DRIFT Search를 구분 적용
품질 관리관계 검증, 근거 검색과 답변 생성의 분리 평가, 시행일 기준 원문 확인
결론핵심은 그래프의 규모가 아니라, 업무 질문에 필요한 관계를 정확히 표현하고 탐색하는 설계

<표1. 핵심 요약>


1. 공공SW사업 법규정 AI 상담서비스의 설계 배경

1.1. 어떤 서비스를 구축하고자 했는가?

공공SW사업을 수행하다 보면 소프트웨어 관련 법령, 전자정부법, 시행령, 행정규칙, 각종 업무지침을 함께 검토해야 하는 상황이 자주 발생한다. 예를 들어 사업 추진 절차를 검토하는 담당자는 다음을 확인해야 한다.

  • 해당 사업이 정보시스템 감리 대상에 해당하는가?
  • 적용을 면제하는 예외 요건이 있는가?
  • 세부 기준은 어느 규정에 명시되어 있는가?

이러한 정보는 하나의 문서에 모여 있지 않고 여러 법령과 행정규칙에 분산되어 있다. 이에 공공SW사업 관련 법규정을 통합 검색하고, 질문에 대한 관련 조문과 근거를 함께 제공하는 지식그래프 기반 AI 분석·상담 시범서비스를 설계하였다.

단순히 법령을 요약하는 챗봇이 아니라, 여러 규정의 연결 관계를 탐색하여 담당자가 법적 근거를 검토할 수 있도록 지원하는 것이 핵심 목적이다.

1.2. 법규정 데이터에 일반적인 RAG를 적용할 때의 문제

일반적인 벡터 기반 RAG는 문서를 일정 크기로 분할하고, 질문과 의미적으로 유사한 청크를 검색해 LLM에 제공한다. 그러나 법규정에서는 의미적으로 유사한 조문을 찾는 것과 법적으로 관련된 조문을 모두 찾는 것이 일치하지 않는다.

“전자정부사업관리 위탁을 수행하는 경우 정보시스템 감리 의무에도 예외가 적용되는가?”

이 질문에 답하려면 감리 의무 조문뿐 아니라 전자정부사업관리 위탁 관련 조문, 위임된 세부 기준, 예외 적용 요건을 함께 검토해야 한다. 그런데 질문의 단어와 유사한 조문만 검색하면 예외 요건을 규정한 다른 조문이 누락될 수 있고, LLM은 일부 근거만으로 답변을 생성해 적용 조건을 충분히 설명하지 못한다.

따라서 법규정 검색에서는 두 가지 관련성을 구분해야 한다.

구분의미적 관련성 (Semantic)관계적 관련성 (Relational)
질문질문과 문서 내용이 얼마나 유사한가?답변을 위해 어떤 조문과의 법적 관계를 함께 검토해야 하는가?
활용 기술벡터 임베딩 유사도 검색지식그래프의 명시적 관계 탐색
강점표현이 다른 질문에도 유연하게 대응위임·예외·준용 등 연결된 근거 확보
약점법적 연결 관계를 알지 못함그래프 품질에 의존

<표2. 의미적 관련성과 관계적 관련성 비교>

그래서 이번 서비스에서는 벡터 검색을 대체하는 대신, 벡터 검색에 법규정의 관계 정보를 활용하는 검색을 결합하는 구조를 검토하였다.


2. 지식그래프 기반 데이터 구조화 방식

2.1. 문서 단위가 아닌 조문 단위의 구조화

지식그래프를 구축하려면 먼저 무엇을 노드(Node)로 정의할지 정해야 한다. 법령은 법률·시행령·시행규칙의 문서 체계와 조·항·호·목의 계층 구조를 갖는다. 일정한 글자 수로만 분할하면 조문의 적용 조건이나 단서가 서로 다른 청크로 갈라질 수 있다. 따라서 원문의 계층과 출처를 보존하면서 검색에 필요한 단위로 구조화하는 방식을 택했다.

구분주요 정보
문서 정보법령명, 문서 식별자, 문서 유형
판본 정보시행일, 개정 정보, 적용 시점
조문 정보조·항·호·목의 식별자와 내용
계층 정보상위·하위 조문 관계
참조 정보다른 법령이나 조문에 대한 인용
원문 근거출처 및 원문 위치
품질 정보구조화·관계 추출 검증 상태

<표3. 법규정 구조화 시 관리하는 정보>

법규정은 개정에 따라 같은 조문 번호라도 내용과 효력이 달라질 수 있다. 그래서 조문 식별자와 시행 시점을 함께 관리해야 하며, 이를 통해 단순 텍스트 검색을 넘어 특정 시점의 법령에 근거한 탐색을 지원할 수 있다.

2.2. 조문 사이의 관계 정의

지식그래프의 핵심은 노드를 만드는 것보다 노드 사이의 관계를 어떤 의미로 정의하는가에 있다. 법규정에는 단순 참조 외에도 세부 기준의 위임, 예외, 특례, 준용 등 다양한 관계가 존재한다.

관계 유형설명원문 표현 예
REFERS_TO다른 조문이나 법령을 참조“제○조에 따라”
DELEGATES_TO세부 사항을 다른 규정에 위임“필요한 사항은 대통령령으로 정한다”
EXCEPTION_OF일반 규정에 대한 예외“다만, 다음 각 호의 어느 하나에 해당하는 경우에는 그러하지 아니하다”
SPECIAL_CASE_OF일반 규정에 대한 특례“~에 관하여는 다른 규정에도 불구하고”
APPLIES_MUTATIS_MUTANDIS다른 규정을 준용“~을 준용한다”
APPLIES_TO특정 대상·상황에 적용적용 대상을 한정하는 규정
REQUIRES특정 요건이나 절차를 요구요건·절차를 명시한 규정

<표4. 조문 간 관계 유형>

예를 들어 법률 조문이 “필요한 사항은 대통령령으로 정한다”고 규정한다면, 해당 조문과 위임을 받은 시행령 조문 사이에 DELEGATES_TO 관계를 설정한다. (그림 1)

<그림 1. 관계 유형별 조문 연결 구조 예시>

다만 “다만”이라는 표현이 있다는 이유만으로 예외 관계를 확정할 수는 없다. 어느 규정의 어떤 요건에 대한 예외인지를 확인해야 하므로, 관계 추출 시 문장 패턴뿐 아니라 참조 대상, 조문 계층, 문맥을 함께 고려해야 한다.

2.3. 규칙 기반 관계 추출을 우선 검토한 이유

Microsoft GraphRAG는 LLM으로 문서 내 개체와 관계를 추출한다. 비정형 문서의 다양한 관계를 유연하게 파악할 수 있지만, 정확한 참조 대상이 중요한 법규정에서는 별도의 검증이 필요하다. LLM이 두 조문의 관계를 의미적으로 추론하더라도, 실제로 명시적 위임인지 단순히 관련된 조항인지는 구분되어야 하기 때문이다.

이에 규칙 기반 관계 추출을 우선 설계하고, 자동 확정이 어려운 관계는 별도 검토 대상으로 분류하는 방식을 채택하였다.

단계처리 내용
1법규정 문장에서 조문 참조 표현 탐지
2관계를 나타내는 문장 패턴 및 문맥 분석
3참조 대상 법령과 조문 식별
4관계 유형 및 방향 결정
5원문 근거와 추출 결과 연결
6자동 확정 / 검토 필요 관계 구분

<표5. 규칙 기반 관계 추출 처리 단계>

규칙 기반 방식은 기준이 명확해 재현성과 추적 가능성이 높지만, 비정형 표현이나 복잡한 문장 구조를 모두 처리하기 어렵고 규칙 관리가 필요하다. 따라서 두 방식을 상호 보완적으로 쓰는 하이브리드 방식도 검토할 수 있다.

구분규칙 기반 추출LLM 기반 추출
추출 방식정의된 패턴과 구조 활용언어모델의 문맥 해석 활용
장점재현성, 설명 가능성, 비용 관리다양한 표현 및 비정형 관계 처리
한계규칙 밖의 표현에 취약잘못된 관계 생성 가능성
적합한 대상명시적 인용·위임·준용복잡하거나 암묵적인 의미 관계
품질 관리규칙 검증, 참조 대상 확인근거 검증, 결과 정합성 확인

<표6. 규칙 기반과 LLM 기반 관계 추출 비교>

법규정에서는 추출 가능한 관계를 많이 확보하는 것보다 잘못된 관계를 최소화하는 것이 더 중요하다.


3. 지식그래프와 벡터 검색을 결합한 GraphRAG 구조

지식그래프를 구축한 뒤에는 이를 질문 처리에 어떻게 활용할지 정해야 한다. 이번 서비스는 벡터 기반 유사도 검색과 그래프 관계 탐색을 결합해 근거를 확보하는 구조로 설계하였다. (그림 2)

<그림 2. 데이터 구축 단계와 질의응답 단계의 전체 처리 흐름>

질문과 유사한 조문을 출발점으로 검색한 뒤 관계를 따라 근거를 확장하는 방식이다. 예를 들어 감리 의무 조문이 검색되면, 연결된 위임 관계와 예외 관계를 탐색해 적용 기준 검토에 필요한 근거를 넓힌다.

다만 그래프에 연결된 조문을 무조건 모두 가져오는 것은 바람직하지 않다. 탐색 범위가 지나치게 넓어지면 질문과 무관한 조문이 포함되고, LLM 입력 토큰과 응답시간이 늘어난다. 따라서 다음 항목을 함께 설계해야 한다.

설계 항목고려 사항
조문 선택 기준질문과의 유사도, 관계의 중요도
탐색 관계 유형질문에 따라 위임·예외·준용 등 선별
탐색 깊이몇 단계(hop)까지 확장할지
결과 우선순위컨텍스트 제한 내에서의 정렬·절단 기준

<표7. 그래프 탐색 설계 시 고려 항목>

3.1. 커뮤니티(Community)란 무엇인가?

커뮤니티는 지식그래프에서 서로 연결이 촘촘한 개체들의 묶음이다. 법규정에 대입하면 인용·위임·준용으로 자주 얽혀 있는 조문들의 모임이라고 볼 수 있다. 예를 들어 감리 의무 조문과 그에 연결된 위임·예외 조문들이 하나의 커뮤니티를 이룰 수 있다. 이 묶음은 사람이 정한 편·장 구분이 아니라 그래프의 연결 구조를 기준으로 자동 생성된다. (그림 3)

<그림 3. 연결이 촘촘한 조문 묶음(커뮤니티)과 커뮤니티 보고서 개념도>

Microsoft GraphRAG는 인덱싱 단계에서 Leiden 알고리즘 기반의 계층적 군집화로 커뮤니티를 만든다. 큰 커뮤니티 안에 더 작은 하위 커뮤니티가 포함되는 계층 구조라서, 상위 수준은 넓은 주제를, 하위 수준은 세부 주제를 담는다.

각 커뮤니티마다 LLM이 커뮤니티 보고서를 생성한다. 보고서는 제목, 요약, 핵심 발견, 중요도 점수 등으로 구성되어 해당 묶음에 어떤 개체와 관계가 있는지 한눈에 설명한다. 이 보고서는 검색 방식별로 다음과 같이 쓰인다.

  • Global Search: 보고서들을 읽고 데이터 전반의 주제를 종합한다.
  • Local Search: 질문과 가까운 개체가 속한 커뮤니티의 보고서를 컨텍스트에 보탠다.
  • DRIFT Search: 관련 보고서로 초기 답변과 후속 질문을 만든다.

법규정에 적용할 때는 두 가지를 유의해야 한다. 첫째, 커뮤니티는 연결 밀도를 기준으로 나뉘므로 법 체계상의 분류(편·장·절)와 일치하지 않을 수 있다. 둘째, 보고서는 LLM이 만든 요약이므로 개별 조문의 적용 여부는 반드시 원문으로 확인해야 하고, 보고서 생성에는 LLM 호출 비용이 추가로 든다.


4. GraphRAG의 주요 검색 방식과 기술적 특징

공공SW사업 법규정 상담서비스에서는 질문 성격에 따라 필요한 검색 범위가 달라진다. 특정 조문의 내용을 묻는 질문과 여러 조항의 적용 관계를 검토하는 질문은 찾아야 할 정보의 범위가 다르기 때문이다. 이에 Microsoft GraphRAG가 제공하는 검색 전략의 특징을 비교했다.

4.1. Basic Search: 특정 조문의 직접 검색

사용자 질문과 의미적으로 유사한 원문 청크를 검색해 답변 생성에 활용하는 방식이다. “정보시스템 감리의 정의는 무엇인가?”처럼 특정 개념이나 조문 내용을 확인하는 질문에 적합하다.

구분내용
장점구조가 단순해 구현·운영이 쉽다 / 지식그래프 없이도 기본 검색 가능 / 다른 방식과 성능을 비교하는 기준선으로 활용
한계문서 간 관계를 명시적으로 탐색하지 않음 / 유사도 상위 결과에 필요한 근거가 빠질 수 있음 / 여러 조문의 적용 요건을 함께 보는 질문에는 불충분

<표8. Basic Search의 장점과 한계>

4.2. Local Search: 특정 개체와 연결 관계 중심 탐색

질문과 연관된 개체를 찾고, 그 개체와 연결된 관계 및 원문 정보를 결합해 답변을 생성한다. Microsoft GraphRAG의 Local Search는 개체·관계뿐 아니라 원문 청크와 커뮤니티 관련 정보를 활용해 검색 컨텍스트를 구성한다. 법규정에서는 “특정 법률 조문이 위임한 세부 기준은 무엇인가?”처럼 조문에서 출발해 연결된 시행령 조문을 탐색하는 데 쓸 수 있다.

<그림 4. Local Search 데이터 흐름 재구성. 참고: Microsoft GraphRAG, Local Search>

구분내용
장점개체와 연결된 관계를 함께 탐색 / 검색된 조문의 주변 맥락 확보에 유리 / 참조·위임 등 명시적 관계가 중요한 질문에 적합
한계개체 식별이 부정확하면 품질 저하 / 그래프의 누락·오연결 영향 / 연결이 많을 때 컨텍스트 범위 제어 필요

<표9. Local Search의 장점과 한계>

법규정에서는 개체를 법령명이나 조문 번호만으로 식별하지 말고 문서 식별자, 조문 식별자, 시행일을 함께 쓰는 것이 중요하다.

4.3. Global Search: 데이터 전반의 주제와 맥락 탐색

개별 조문보다 데이터 전체의 공통 주제를 종합하는 방식으로, 그래프 커뮤니티 요약 보고서를 활용한다. (3.1절 참조) “공공SW사업 관련 법규정의 주요 관리·감독 영역은 무엇인가?”와 같은 종합·경향 분석형 질문에 적합하다.

<그림 5. Global Search 데이터 흐름 재구성. 참고: Microsoft GraphRAG, Global Search>

구분내용
장점여러 문서에 분산된 주요 주제 종합 / 제도 구조·공통 특징 분석에 활용
한계커뮤니티 생성·요약 구축 비용 발생 / 다수 요약 처리로 검색 비용 증가 / 개별 조문의 정확한 적용 여부 판단에는 원문 검증 필요

<표10. Global Search의 장점과 한계>

4.4. DRIFT Search: 단계적으로 질문을 확장하는 관계 탐색

DRIFT Search(Dynamic Reasoning and Inference with Flexible Traversal)는 Local Search의 구체적 탐색과 커뮤니티 기반의 넓은 맥락을 결합한 방식이다. 관련 커뮤니티 정보로 초기 답변과 후속 질문을 만들고, 추가 Local Search를 수행한다. (그림 6)

<그림 6. DRIFT Search의 Primer, Follow-up, Output 흐름>

<그림 7. DRIFT Search의 단계적 탐색 구조. 출처: Microsoft Research, Introducing DRIFT Search (2024)>

법규정 상담에 적용할 수 있는 질문 예시는 다음과 같다.

“전자정부사업관리 위탁 시 정보시스템 감리 의무의 적용 여부와 예외 조건을 설명해 주세요.”

이 질문은 다음과 같은 세부 탐색 과제로 분해된다.

  • 정보시스템 감리 의무의 근거 조문은 무엇인가?
  • 전자정부사업관리 위탁에 관한 규정은 무엇인가?
  • 감리 의무의 예외를 규정한 조문이 존재하는가?
  • 예외 규정에 별도의 적용 대상이나 사업 규모 요건이 있는가?

각 세부 질문을 검색해 조문과 관계 정보를 종합하면, 단일 조문 검색보다 다양한 근거를 검토할 수 있다. 다만 이는 DRIFT Search를 법규정 질의에 적용하는 개념적 예시이며, 개별 법령의 실제 적용 여부는 유효한 원문을 기준으로 확인해야 한다.

구분내용
장점복잡한 질문을 세부 과제로 확장 / 최초 검색에서 누락된 정보에 접근할 가능성 증가 / 여러 문서의 근거를 종합하는 질문에 활용
한계반복 검색·LLM 호출로 비용·응답시간 증가 / 후속 질문의 적절성에 따라 품질 편차 / 범위 과대 확장 시 무관한 정보 포함 / 근거 충분성을 판단할 별도 검증 필요

<표11. DRIFT Search의 장점과 한계>

따라서 DRIFT Search는 단순 조문 검색보다 여러 법적 요건과 관계를 함께 검토해야 하는 복합 질문에 우선 평가할 필요가 있다.

4.5. 검색 방식별 비교

구분Basic SearchLocal SearchGlobal SearchDRIFT Search
검색 중심원문 청크개체와 관계커뮤니티 요약커뮤니티 및 후속 탐색
검색 범위유사 문서 중심특정 개체 주변데이터 전반단계적 확장
적합한 질문단순 사실 확인관계 확인종합·경향 분석복합 요건 검토
주요 장점단순한 구조관계 맥락 확보전체 맥락 파악다단계 근거 탐색
주요 한계관계 정보 부족그래프 품질 의존높은 처리 비용탐색 비용과 복잡성

<표12. 검색 방식별 비교>

이 검색 방식은 우열이 아니라 질문 유형에 따라 적합성이 달라지는 관계로 이해해야 한다.


5. 공공SW 법규정 상담서비스의 검색 전략 설계

모든 질문에 같은 검색 방식을 적용하는 것은 비효율적일 수 있다. 단순한 조문 정의 질문에는 기본 검색으로 충분하지만, 예외 규정과 적용 요건을 종합해야 하는 질문에는 관계 탐색이나 다단계 검색이 필요하다. 그래서 질문 유형별 검색 전략을 검토했다. (그림 8)

<그림 8. 질문 유형별 검색 전략 선택과 근거 검증>

이 구분은 고정된 최적 정책이 아니라 질문 유형별 전략을 비교하기 위한 설계 기준이다. 실제 적용에서는 질문 복잡도뿐 아니라 검색 성공률, 응답시간, 토큰 사용량을 비교해 선택 기준을 구체화해야 한다.

법규정 분야에서는 검색 방식의 복잡도보다 근거의 적합성이 더 중요하다. DRIFT Search로 많은 조문을 확보해도 서로 다른 시행 시점의 조문이 섞이거나 예외 규정의 적용 범위를 잘못 해석하면 답변의 신뢰성을 확보할 수 없다. 따라서 답변에 쓰기 전 조문의 시행일, 관계 유형, 원문 근거를 확인하는 과정이 필요하다.


6. 시범구현 과정에서 확인한 과제와 품질 평가 방향

지식그래프 기반 검색 구조에서 중요한 것은 관계를 얼마나 많이 만드는가가 아니라, 실제 질문에 필요한 관계를 정확하게 탐색할 수 있는가였다. 이를 위해 법규정 수집·구조화, 관계 추출, 관계 검증, 질의응답 시범구현을 단계적으로 진행했다.

6.1. 지식그래프 구축 결과의 검증

조문 간 관계가 잘못 연결되면 답변 근거 자체가 부정확해진다. 그래서 관계 추출 결과를 자동 확정 가능한 경우와 추가 검토가 필요한 경우로 나누고, 참조 대상과 관계 유형의 적절성을 확인하는 절차를 마련했다. 특히 인용·위임·예외·준용 등 유형별로 검토 표본을 구성하면 특정 관계에서 반복되는 추출 오류를 파악할 수 있다.

검증 항목확인 질문
관계 유형원문의 의미와 일치하는가?
참조 대상대상 조문이 정확히 연결되었는가?
관계 방향출발·도착 노드가 올바른가?
예외·단서 조건누락된 조건이 없는가?
원문 대조추출 결과를 원문과 대조할 수 있는가?

<표13. 관계 검증 항목>

이러한 관계 검증은 그래프 구축 과정의 데이터 품질관리이자, 이후 관계 기반 검색 품질을 좌우하는 중요한 단계다.

6.2. AI 답변의 근거 활용과 설명력

시범 질의응답에서는 관련 조문을 검색해 근거를 제공하는 기능뿐 아니라, 검색된 근거를 질문 의도에 맞게 설명하는 능력도 검토 대상이었다. 여러 규정의 관계를 묻는 질문에서 관련 조문이 검색되더라도 답변이 조문 내용을 나열하는 수준에 머무르면 사용자가 요구한 비교나 적용 조건을 충분히 설명하지 못할 수 있다. 즉 근거 검색 성공과 답변의 설명 충실성은 서로 다른 평가 대상이다.

평가 단계확인 질문
근거 검색 품질답변에 필요한 조문과 관계를 정확하게 검색했는가?
답변 생성 품질검색된 근거로 적용 요건과 관계를 충분히 설명했는가?

<표14. 근거 검색 품질과 답변 생성 품질의 평가 단계>

여기에 더해 최종 답변이 원문에서 확인되지 않는 법적 판단을 덧붙이거나 예외 요건을 일반화하지 않는지도 함께 확인해야 한다.

6.3. 검색 성능 평가 지표

검색 방식의 효과를 객관적으로 확인하려면 동일한 질문과 정답 근거 집합을 이용한 비교가 필요하다.

평가 영역주요 지표평가 목적
근거 검색Hit@K상위 K개 결과 내 정답 근거 포함 여부
근거 검색Recall@K필요한 정답 근거의 검색 비율
검색 순위MRR첫 번째 정답 근거의 검색 순위
관계 추출Precision, Recall, F1관계 식별 및 연결 정확도
답변 품질근거 충실성답변의 원문 근거 일치 여부
운영 성능응답시간, 토큰 사용량검색 방식별 처리 비용 비교

<표15. 검색 성능 평가 지표>

법규정 검색에서는 하나의 정답 조문만 찾는 것이 아니라 질문에 필요한 관련 조문들을 함께 확보해야 하므로, Hit@K뿐 아니라 Recall@K도 중요하다. 또한 다단계 검색으로 결과 수가 늘어난다고 답변 품질이 항상 향상되는 것은 아니므로, 검색 근거의 적절성과 최종 답변의 정확성을 함께 평가해야 한다.


7. GraphRAG 도입 시 고려해야 할 장단점

지식그래프 기반 검색은 문서 간 관계 정보를 활용할 수 있다는 점에서 법규정에 유용하지만, 구축·운영 측면의 추가 고려 사항이 있다.

고려 사항내용
데이터 구조화 비용벡터 RAG 대비 개체·관계 추출, 그래프 생성, 관계 검증이 추가된다.
개정이 잦은 법규정은 기존 관계와 변경 조문을 동기화하는 관리 체계도 필요하다.
관계 추출 오류의 영향잘못된 관계는 무관한 조문의 확장으로 이어진다. 추출 정확도와 원문 연결성을 관리해야 한다.
성능과 비용의 균형Local·DRIFT Search는 더 많은 정보를 탐색하지만 범위·반복 횟수에 따라 비용과 응답시간이 늘어난다.

<표16. GraphRAG 도입 시 고려 사항>

결국 GraphRAG 도입의 핵심은 지식그래프의 규모를 키우는 것이 아니라, 업무 질문에 필요한 관계를 정확히 표현하고 검색할 수 있도록 설계하는 것이다.


8. 마무리

공공SW사업 법규정 AI 상담서비스를 설계하며 확인한 중요한 점은 데이터의 특성이 검색 아키텍처를 결정한다는 것이다. 일반 문서 검색에서는 의미적으로 유사한 정보를 찾는 것이 중요하지만, 법규정에서는 조문 사이의 참조, 위임, 예외, 준용 관계까지 고려해야 답변에 필요한 근거를 충분히 확보할 수 있다.

그래서 법규정의 계층 구조를 보존하고, 조문 간 관계를 지식그래프로 표현하며, 벡터 검색과 관계 탐색을 결합하는 방식을 설계했다. 또한 Basic, Local, Global, DRIFT Search를 비교하며 질문의 복잡도와 정보 탐색 범위에 따라 검색 전략을 달리 적용할 필요성을 확인했다.

다만 GraphRAG가 모든 질문에 대한 최적의 해결책은 아니다. 지식그래프의 정확성, 검색 성능, 답변의 근거 충실성, 운영 비용을 함께 검증해야 실제 업무 활용 가능성을 판단할 수 있다.

중요한 것은 더 복잡한 검색 기술을 적용하는 것이 아니라, 데이터의 구조와 업무 질문의 특성에 적합한 검색 방식을 선택하는 것이다.

이러한 관점에서 지식그래프 기반 RAG는 법규정처럼 관계 정보가 중요한 도메인에서 검토할 가치가 있는 기술적 접근법이라 할 수 있다.


참고문헌

[1] Microsoft Research, GraphRAG Project — https://www.microsoft.com/en-us/research/project/graphrag/
[2] Microsoft GraphRAG, Indexing Dataflow — https://microsoft.github.io/graphrag/index/default_dataflow/
[3] Microsoft GraphRAG, Query Engine Overview — https://microsoft.github.io/graphrag/query/overview/
[4] Microsoft GraphRAG, Local Search — https://microsoft.github.io/graphrag/query/local_search/
[5] Microsoft GraphRAG, Global Search — https://microsoft.github.io/graphrag/query/global_search/
[6] Microsoft GraphRAG, DRIFT Search — https://microsoft.github.io/graphrag/query/drift_search/
[7] Microsoft Research, Introducing DRIFT Search: Combining Global and Local Search Methods to Improve Quality and Efficiency, 2024 — https://www.microsoft.com/en-us/research/blog/introducing-drift-search-combining-global-and-local-search-methods-to-improve-quality-and-efficiency/
[8] CSLEE Tech Blog, RAG의 진화: GraphRAG, Agentic RAG, CRAG의 등장, 2025 — https://blog.cslee.co.kr/rag-2-0-graphrag-agentic-rag-crag/