논문Hugging Face
RAGU: A Multi-Step GraphRAG Engine with a Compact Domain-Adapted LLM
논문 ID: 2607.11683107 추천
#GraphRAG#LLM#Knowledge-Graph#Efficiency#RAG#Reasoning#Evaluation
핵심 요약
추출과 정제 단계를 분리하고 경량 모델을 최적화하여 성능과 효율을 동시에 잡은 모듈형 GraphRAG 엔진
상세 내용
기존 GraphRAG 시스템은 단일 추출 과정으로 인해 노이즈가 섞인 엔티티와 취약한 검색 성능 문제를 겪고 있었습니다. RAGU는 추출과 통합 과정을 분리하여 2단계 타입 추출, DBSCAN 기반 중복 제거, Leiden 커뮤니티 탐지 과정을 거치는 모듈형 엔진을 제안합니다. 특히 추출에 필요한 언어 능력은 모델 크기에 비례하지 않는다는 점에 착안하여, 7B 규모의 Meno-Lite-0.1 모델을 학습시켰습니다. 실험 결과, Meno-Lite-0.1은 더 큰 모델인 Qwen2.5-32B보다 지식 그래프 구축 성능이 우수하며 GraphRAG-Bench에서도 높은 재현율을 기록했습니다. 이 엔진은 단일 GPU에서 구동 가능하며 오픈소스로 공개되었습니다.
주요 내용
- 추출(Extraction)과 통합(Consolidation) 단계를 분리하여 데이터 품질과 검색 신뢰도 확보
- 언어 능력 중심의 경량 모델(Meno-Lite-0.1) 학습을 통한 효율적인 지식 그래프 구축
- DBSCAN 및 Leiden 알고리즘을 결합한 정교한 엔티티 중복 제거 및 커뮤니티 탐지
실무에서 볼 만한 점
단일 GPU 환경에서도 고성능 지식 그래프를 구축할 수 있어, 리소스 제약이 있는 실무 환경에서 GraphRAG를 도입하기 용이합니다.
참고할 행동
- pip install graph_ragu를 통한 로컬 환경 설치 및 기본 워크플로우 테스트
- 도메인 특화 데이터셋을 활용한 Meno-Lite-0.1의 추출 성능 검증
- 기존 RAG 시스템과 RAGU의 검색 결과(Evidence Recall) 비교 실험