복습 · GraphRAG 넓혀 보기
HippoRAG, LightRAG와 LazyGraphRAG, G-Retriever와 Think-on-Graph는 GraphRAG의 비용과 정확도 사이에서 서로 다른 선택을 합니다. 각 방법이 그래프의 어느 부분을 언제 고르는지 연결해 봅니다.
이번 회차, 내 속도로.
기초를 더 짚거나 궁금한 주제로 잠깐 넓혀 보세요. 최대 3단계를 거쳐 DAY 95로 돌아옵니다.
난이도·관심 주제 고르기
1/2개 선택 · 새 보충·심화 수업과 본과정 다시 읽기를 선택할 수 있어요.
이렇게 다녀와요 1단계 · 약 12분
- 출발 · DAY 95기억에서 꺼내고 풀이 점검하기
- 1. 관심 주제재귀 군집·요약 트리·접힌 트리 검색추가 37 · 새 추가 수업
- 복귀 · DAY 95원래 회차 이어가기
- 재귀 군집·요약 트리·접힌 트리 검색 · DAY 92에서 GraphRAG의 무거운 인덱싱을 줄이는 방법들을 봤는데, RAPTOR는 엔티티 추출 대신 임베딩 군집으로 요약 계층을 만드는 또 다른 선택지입니다.
선택과 경로 기록은 이 브라우저에 저장됩니다. 본과정의 회차 완료와는 별도입니다.
기억에서 꺼내어 풀기
앞에서 풀었던 세 문제를 해설 없이 다시 풀어 보세요. 막히면 힌트를 열고, 풀이를 비교한 뒤 고친 점을 기록하세요.
힌트 보기
특이성은 1/문단 수입니다. 곱한 값 0.25와 0.0625를 둘의 합으로 나눕니다.
풀이와 비교하기
스탠퍼드 0.5×1/2=0.25, 알츠하이머 0.5×1/8=0.0625로 합은 0.3125입니다. 정규화하면 0.25/0.3125=0.8, 0.0625/0.3125=0.2입니다. 여러 문단에 흔히 나오는 노드보다 드문 노드 쪽 이웃으로 확률이 더 많이 퍼집니다.
힌트 보기
한 달 총비용을 각각 1000+2q와 10+7q로 놓습니다.
풀이와 비교하기
1000+2q = 10+7q에서 5q=990, q=198입니다. 한 달 질의가 198회를 넘으면 사전 요약형이 저렴합니다. 갱신이 없을 때의 손익분기 99회보다 두 배로 늘었으므로, 데이터 갱신이 잦을수록 지연·증분 방식이 유리한 구간이 넓어집니다.
힌트 보기
5 − Ce = 6 − 3Ce를 풉니다.
풀이와 비교하기
2Ce = 1이므로 Ce = 0.5입니다. Ce < 0.5면 큰 트리(대한해운까지 연결)가, Ce > 0.5면 작은 트리가 선택됩니다. 엣지 비용은 ‘연결 노드 하나를 더 넣을 가치가 있는가’를 정하는 기준입니다.
풀이와 확인 표시는 이 브라우저에 저장됩니다.
세 문제를 푼 뒤 핵심 개념 펼치기
핵심 개념
HippoRAG, LightRAG와 LazyGraphRAG, G-Retriever와 Think-on-Graph는 GraphRAG의 비용과 정확도 사이에서 서로 다른 선택을 합니다. 각 방법이 그래프의 어느 부분을 언제 고르는지 연결해 봅니다.
HippoRAG는 질문의 엔티티를 시작점으로 개인화 PageRank를 돌려 노드 점수를 문단 점수로 바꾸고, 한 번의 검색으로 여러 홉에 걸친 근거를 찾습니다.
GraphRAG 비용은 인덱싱 때 선불로 낼 수도 질의 때 후불로 낼 수도 있으며, LightRAG의 증분 업데이트와 LazyGraphRAG의 지연 처리는 선불 부담을 줄이는 선택입니다.
G-Retriever는 상과 엣지 비용의 균형(PCST)으로 연결된 작은 부분 그래프를 고르고, Think-on-Graph는 LLM이 빔 탐색으로 경로를 넓혀 가며 근거를 모읍니다.
오늘 이해한 것과 다시 볼 것
계산이 달라진 이유, 헷갈린 개념, 다음에 확인할 질문을 남겨 보세요.
메모는 이 브라우저에 저장됩니다. 홈에서 전체 기록을 내려받을 수 있습니다.오늘의 이해 확인
HippoRAG, LightRAG, G-Retriever에 공통된 검색 아이디어는?
완료 조건: 확인 퀴즈 정답 · / 직접 풀기 0/3
더 깊이 읽기
예제와 실험 데이터는 이 과정을 위해 만든 것입니다. 원문은 선택 자료이며, 강의와 직접 풀기만으로도 다음 회차를 이어갈 수 있습니다.
HippoRAG: Neurobiologically Inspired Long-Term Memory for Large Language ModelsGutiérrez et al. (2024)From RAG to Memory: Non-Parametric Continual Learning for Large Language ModelsGutiérrez et al. (2025)The anatomy of a large-scale hypertextual Web search engineBrin & Page (1998)LightRAG: Simple and Fast Retrieval-Augmented GenerationGuo et al. (2024)LazyGraphRAG: Setting a new standard for quality and costMicrosoft Research (2024)From Local to Global: A Graph RAG Approach to Query-Focused SummarizationEdge et al. (2024)G-Retriever: Retrieval-Augmented Generation for Textual Graph Understanding and Question AnsweringHe et al. (2024)Think-on-Graph: Deep and Responsible Reasoning of Large Language Model on Knowledge GraphSun et al. (2024)이 자료는 개념 학습용입니다. 실제 데이터베이스·라이브러리·플랫폼의 동작과 설정은 제품과 버전마다 다를 수 있습니다.