Agentic Knowledge Graph Curriculum: 지식 그래프를 이해하고, 에이전트가 구축·추론하는 KG까지
소개
지식 그래프(Knowledge Graph)는 세상을 노드(개체)와 관계(엣지)로 표현한 그래프입니다. “일론 머스크 — (창업) → 테슬라 — (출시) → Model 3”처럼, 사실(fact)을 삼각형의 트리플로 이어 붙여 하나의 거대한 지식 망을 만듭니다. 표(테이블)가 데이터를 행과 열로 가둔다면, 지식 그래프는 데이터를 연결로 풀어 놓습니다 — 그래서 “이 고객과 3다리 건너 연결된 위험 계좌는?” 같은, 관계를 따라가야 답이 나오는 질문에 강합니다.
이 발상 자체는 오래됐습니다(구글 지식 그래프, 시맨틱 웹). 그런데 2020년대 들어 두 가지가 지식 그래프를 다시 무대 중앙으로 끌어냈습니다. 하나는 LLM — 이제 사람이 손으로 규칙을 짜지 않아도, 비정형 문서에서 개체와 관계를 뽑아 그래프를 자동으로 구축할 수 있습니다. 다른 하나는 RAG의 한계 — 벡터 검색만으로는 “여러 문서에 흩어진 사실을 연결해야 답이 나오는” 질문(multi-hop)이나 “전체를 요약해줘” 같은 전역 질문에 약합니다. 그 빈틈을 그래프가 메웁니다(GraphRAG).
그리고 여기서 한 걸음 더 나아간 것이 이 시리즈의 종착점, Agentic Knowledge Graph입니다. 지식 그래프를 단지 읽는 데서 그치지 않고, 에이전트가 그래프를 도구(tool)와 기억(memory)으로 삼아 스스로 질의를 계획하고, 여러 홉을 넘나들며 추론하고, 새로 알게 된 사실을 다시 그래프에 써 넣는(write-back) 시스템입니다. 대화가 쌓일수록 자라나는 에이전트의 시간적 기억(temporal memory), 도메인 지식 위를 걷는 리서치 에이전트가 모두 이 그림 위에 있습니다.
이 글은 Agentic-Knowledge-Graph 시리즈의 마스터 로드맵입니다. 지식 그래프가 무엇이며 왜 그래프인지(1막·이해하기)에서 출발해, LLM으로 그래프를 짓고 GraphRAG·추론으로 지능을 얹고(2막·지능 얹기), 마지막으로 그래프를 도구·기억으로 쓰는 에이전트를 세우고 직접 구축(3막·에이전트로)합니다. 각 단계마다 헬스케어·금융·보안·엔터프라이즈 등 도메인별 활용 사례를 곁들이고, 상세 딥다이브 포스트를 작성하며 체크박스를 채우는 도장깨기 방식으로 진행합니다.
기존 Ontology-Essential 시리즈와의 관계 — Ontology 시리즈는 “데이터에 의미를 얹는 시맨틱 모델링”(Palantir FDE식 객체·링크·액션)에 초점을 둡니다. 트리플·RDF/OWL·속성 그래프 같은 형식 기반은 그쪽 2단계에서 이미 다뤘으므로, 이 시리즈는 그 어휘를 크로스링크로 재사용하고 중복 서술하지 않습니다. 대신 이 시리즈의 무게중심은 “그래프를 어떻게 만들고, 그 위에서 LLM·에이전트가 어떻게 검색·추론·행동하는가“에 있습니다.
학습 흐름
8단계는 아래 순서대로 진행하는 것을 권장합니다. 먼저 지식 그래프가 무엇이며 왜 그래프인지(vs 관계형·벡터 DB)를 잡고, 그래프 DB와 질의(Cypher·SPARQL)로 손을 풀며, 엔티티·관계 추출로 그래프를 짓는 기초를 다집니다. 그다음 LLM으로 그래프를 구축하고, GraphRAG로 검색에 그래프를 결합하며, 임베딩·추론으로 예측·다중 홉을 더합니다. 마지막으로 그래프를 도구·기억으로 쓰는 에이전틱 KG를 이해하고, 이 모두를 하나로 직접 구축하며 도메인별 활용 사례로 시야를 넓히는 흐름입니다.
flowchart TD
Start([학습 시작]) --> S1
subgraph UNDERSTAND["1막 · 그래프를 이해하기"]
S1["1단계<br/>지식 그래프란 무엇인가<br/>왜 그래프인가 · vs 관계형/벡터"]
S2["2단계<br/>그래프 DB와 질의<br/>Neo4j·Cypher · RDF·SPARQL"]
S3["3단계<br/>구축 기초<br/>엔티티/관계 추출 · 엔티티 해소"]
end
subgraph INTELLIGENCE["2막 · 지능을 얹기"]
S4["4단계<br/>LLM 기반 그래프 구축<br/>스키마 유도 추출 · 검증"]
S5["5단계<br/>GraphRAG<br/>벡터 RAG의 한계 · community · local/global"]
S6["6단계<br/>그래프 임베딩·추론<br/>node embedding · link prediction · multi-hop"]
end
subgraph AGENTIC["3막 · 에이전트로 세우기"]
S7["7단계<br/>Agentic Knowledge Graph<br/>그래프를 도구·기억으로 · temporal KG"]
S8["8단계<br/>직접 구축 + 도메인 사례<br/>end-to-end · 헬스케어/금융/보안/…"]
end
S1 --> S2 --> S3 --> S4 --> S5 --> S6 --> S7 --> S8
S8 --> Done([시리즈 완주])
학습 진행 현황
완료한 항목에는 상세 포스트 링크가 연결됩니다. 학습이 진행될 때마다 체크박스와 진행률을 갱신합니다.
- 현재 완료한 항목: 24개
- 전체 항목: 24개
- 진행률: 100%
진행률은 8단계 본류(24항목) 기준입니다. 도메인 활용 사례는 각 단계에 녹이고 8단계에 전용 섹션으로 집대성하므로, 별도 집계 항목으로 두지 않습니다.
1단계: 지식 그래프란 무엇인가 — 왜 그래프인가 (vs 관계형·vs 벡터 DB)
모든 것의 출발점입니다. 지식 그래프는 세상을 노드(개체)와 관계(엣지)로 표현한, 사실의 망입니다. 여기서 먼저 “왜 하필 그래프인가”를 분명히 합니다 — 관계형 DB가 관계를 조인으로 그때그때 계산한다면, 그래프는 관계를 데이터 그 자체로 저장해 여러 홉을 따라가는 질문(친구의 친구, 3다리 건너 연결된 계좌)에 압도적으로 강합니다. 또 요즘 RAG의 주력인 벡터 DB와도 비교합니다 — 벡터가 “의미가 비슷한 조각”을 찾는다면, 그래프는 “명시적으로 연결된 사실”을 따라갑니다. 둘은 경쟁이 아니라 상보적이며, 이 대비가 이후 GraphRAG의 동기가 됩니다. 대표 활용(구글 지식 그래프, 추천, 사기 탐지)의 큰 그림도 여기서 그립니다.
- 왜 그래프인가: 노드·엣지·트리플, 조인 대신 관계를 저장한다는 것, 다중 홉 질의의 강점 — [상세]
- vs 관계형 · vs 벡터 DB: 각자가 잘하는 질문, 그래프가 메우는 빈틈, 상보적 조합의 밑그림 — [상세]
- 활용의 큰 그림: 검색·추천·사기 탐지·에이전트 기억까지, 지식 그래프가 빛나는 문제의 공통 성질 — [상세]
2단계: 그래프 DB와 질의 — Neo4j·Cypher / RDF·SPARQL
지식 그래프를 실제로 저장하고 물어보는 손을 푸는 단계입니다. 실무에서 가장 널리 쓰이는 속성 그래프(property graph) 계열의 Neo4j와 그 질의 언어 Cypher(MATCH (a)-[:KNOWS]->(b))로 그래프에 질문하는 법을 익히고, 시맨틱 웹 계열의 RDF 트리플 저장소와 SPARQL을 개념 수준에서 대비합니다. 두 모델의 차이(속성을 노드/엣지에 붙이는가, 모든 것을 트리플로 쪼개는가)와 언제 무엇을 고를지, 그리고 최근 표준화된 GQL의 위치를 잡습니다. (형식 기반의 더 깊은 계보는 Ontology 2단계를 참고하세요.)
- 속성 그래프와 Cypher: 노드·엣지·속성,
MATCH/가변 길이 경로, 이웃·경로 탐색 질의 — [상세] - RDF와 SPARQL: 트리플 저장소, 기본 그래프 패턴, 속성 그래프와의 모델 차이 — [상세]
- 무엇을 언제: property graph vs RDF 선택 기준, GQL 표준, 대표 그래프 DB 지형도 — [상세]
3단계: 지식 그래프 구축 기초 — 엔티티/관계 추출·스키마·엔티티 해소
그래프를 짓기 시작하는 단계입니다. 지식 그래프의 재료는 결국 어딘가의 텍스트·표·API에서 뽑아낸 개체와 관계입니다. 문장에서 개체를 찾는 개체명 인식(NER), 개체 사이의 관계를 뽑는 관계 추출(RE), 그래프가 담을 개념을 정하는 스키마(온톨로지) 설계, 그리고 여러 소스에 흩어진 같은 실체를 하나로 묶는 엔티티 해소(entity resolution)를 다룹니다. LLM 이전의 전통 파이프라인(규칙·통계·지도학습)을 먼저 이해해야, 4단계에서 LLM이 무엇을 대체하고 무엇을 못 하는지가 보입니다. 지저분한 현실(중복·모호성·누락)과 그 위에서 신뢰할 그래프를 세우는 문제가 이 단계의 핵심입니다.
- 엔티티·관계 추출(NER/RE): 개체와 관계를 텍스트에서 뽑기, 전통 파이프라인의 구성과 한계 — [상세]
- 스키마·온톨로지 설계: 그래프가 담을 타입과 관계를 정하기, 스키마-우선 vs 스키마-유연 — [상세]
- 엔티티 해소: 여러 소스의 같은 실체를 하나로, 매칭·중복 제거·식별자 통합 — [상세]
4단계: LLM 기반 그래프 구축 — 스키마 유도 추출·검증·휴먼인더루프
지식 그래프 부흥의 첫 번째 엔진, LLM으로 그래프를 짓는 단계입니다. 이제 정교한 규칙·라벨링 없이도, LLM에 스키마를 프롬프트로 유도해 문서에서 개체·관계를 트리플로 뽑아낼 수 있습니다. 구조화 출력(JSON·함수 호출)으로 추출을 강제하는 법, LangChain의 LLMGraphTransformer나 LlamaIndex의 프로퍼티 그래프 인덱스 같은 도구의 접근, 그리고 무엇보다 품질 — 환각(없는 관계 지어내기)·일관성(같은 개체를 다르게 부르기)을 어떻게 검증하고 휴먼인더루프로 교정하는지를 다룹니다. LLM 추출은 강력하지만 공짜가 아니며, 3단계의 엔티티 해소·스키마 규율이 여기서 다시 필요해집니다. (예: 의료 논문 코퍼스에서 약물–질환–유전자 트리플을 자동 추출해 바이오 KG를 시드하기.)
- 스키마 유도 LLM 추출: 프롬프트로 타입·관계를 지시하고 구조화 출력으로 트리플 뽑기 — [상세]
- 구축 도구와 파이프라인: LLMGraphTransformer·프로퍼티 그래프 인덱스, 청킹·프롬프트 설계 — [상세]
- 품질·검증·휴먼인더루프: 환각·중복·불일치 잡기, 신뢰도 점수, 사람 검수 루프 — [상세]
5단계: GraphRAG — 벡터 RAG의 한계·그래프 검색·local vs global
지식 그래프가 다시 뜨거워진 두 번째 이유, GraphRAG입니다. 벡터 RAG는 “질문과 의미가 비슷한 조각”을 잘 찾지만, 여러 문서에 흩어진 사실을 연결해야 하는 다중 홉 질문이나 “이 코퍼스 전체의 핵심 주제는?” 같은 전역(global) 질문에 약합니다. GraphRAG는 문서에서 뽑은 지식 그래프에 community detection으로 주제 클러스터를 만들고 그 요약을 미리 구워 두어, 지역(local) 질문과 전역 질문 모두에 답합니다. Microsoft GraphRAG의 인덱싱·쿼리 구조, 벡터·그래프를 함께 쓰는 하이브리드 검색, 그리고 비용·지연·정확도의 트레이드오프를 다룹니다. (예: 기업 내부 위키 전체에 대해 “우리 팀들이 반복적으로 부딪히는 리스크는?”에 답하기.)
- 벡터 RAG의 한계: multi-hop·전역 질문·설명가능성에서 벡터 검색이 놓치는 것 — [상세]
- GraphRAG 아키텍처: 그래프 인덱싱, community detection·요약, local vs global 쿼리 — [상세]
- 하이브리드·트레이드오프: 벡터+그래프 결합, 비용·지연·정확도, 언제 GraphRAG가 값을 하는가 — [상세]
6단계: 그래프 임베딩·추론 — node embedding·link prediction·multi-hop
그래프를 읽는 데서 예측·추론으로 넓히는 단계입니다. 노드와 관계를 벡터로 옮기는 그래프 임베딩(node2vec, TransE 같은 지식 그래프 임베딩)으로 유사 개체를 찾고, 아직 그래프에 없는 관계를 예측하는 링크 예측(link prediction) — “이 두 유전자는 상호작용할까?”, “이 사용자가 다음에 살 것은?” — 을 다룹니다. 나아가 명시적 규칙·경로를 따라 새로운 사실을 이끌어내는 다중 홉 추론(multi-hop reasoning)과, 그래프 신경망(GNN)이 이 문제들에 어떻게 쓰이는지를 개념 수준에서 잡습니다. 이 예측·추론 능력이 7단계에서 에이전트가 “그래프에게 물어 답을 만드는” 밑천이 됩니다.
- 그래프·지식 그래프 임베딩: node2vec·TransE 계열, 개체/관계를 벡터로, 유사도와 활용 — [상세]
- 링크 예측·추천: 없는 관계를 예측하기, 추천·신약 후보·리스크 연결에의 응용 — [상세]
- 다중 홉 추론·GNN: 경로·규칙 기반 추론, 그래프 신경망의 역할, 설명가능성 — [상세]
7단계: Agentic Knowledge Graph — 그래프를 도구·기억으로, temporal KG
시리즈의 심장입니다. 지금까지 만든 그래프를, 에이전트가 스스로 쓰는 단계로 끌어올립니다. 핵심은 두 가지입니다. 첫째, 그래프를 도구(tool)로 — 에이전트가 자연어 질문을 Cypher/SPARQL로 번역하거나 그래프 탐색을 스스로 계획해 답을 만들고(text-to-Cypher, 질의 계획), 여러 홉을 넘나들며 추론합니다. 둘째, 그래프를 기억(memory)으로 — 대화·관찰에서 얻은 새 사실을 그래프에 써 넣어(write-back) 시간이 지날수록 자라는 시간적 지식 그래프(temporal KG)를 만듭니다(예: Graphiti/Zep식 에이전트 메모리, 사실의 유효 기간·버전 관리). 읽기 전용 그래프가 아니라 읽고 쓰는 살아있는 그래프가 에이전트의 장기 기억이 되는 것 — 이것이 Agentic Knowledge Graph의 본질입니다.
- 그래프를 도구로: text-to-Cypher·질의 계획, 에이전트가 스스로 그래프를 탐색해 답 만들기 — [상세]
- 그래프를 기억으로: write-back, 시간적 KG(temporal), 사실의 유효 기간·버전·무효화 — [상세]
- 에이전트 아키텍처: 검색–추론–행동 루프, GraphRAG·벡터·툴의 오케스트레이션, 신뢰·평가 — [상세]
8단계: 직접 구축 + 도메인별 활용 사례 — end-to-end로 하나의 그림 완성
배운 것을 하나로 꿰는 마무리 단계입니다. 비정형 코퍼스 → LLM 추출(4단계) → 그래프 DB 적재(2단계) → GraphRAG·추론(5·6단계) → 에이전트가 질의·행동하고 새 사실을 write-back(7단계)으로 이어지는 end-to-end 파이프라인을 개념 + 핵심 코드 스니펫(추출 프롬프트·Cypher·에이전트 툴 정의) 수준으로 직접 조립합니다. 그리고 이 아키텍처가 각 도메인에서 어떻게 변주되는지 도메인별 활용 사례를 집대성해, 독자가 자기 문제에 대입할 지도를 얻게 합니다.
- end-to-end 구축: 코퍼스→추출→적재→GraphRAG→에이전트 write-back, 핵심 코드 스니펫과 함정 — [상세]
- 도메인별 활용 사례 집대성: 아래 표의 도메인들을 아키텍처 변주로 정리(각 단계에서 예고한 사례를 한자리에) — [상세]
- 한계·운영·다음 단계: 확장성·최신성·환각·거버넌스, 프로덕션으로 가는 체크리스트 — [상세]
도메인별 활용 사례 (8단계 종합 · 각 단계에도 예시로 등장)
| 도메인 | 지식 그래프 / 에이전트가 푸는 문제 |
|---|---|
| 헬스케어·바이오 | 약물–질환–유전자·논문 그래프에서 신약 후보·약물 재창출, 환자 360° 그래프, 리서치 에이전트의 근거 추적 |
| 금융 | 계좌·거래·소유 관계 그래프로 사기·자금세탁 탐지, 리스크 전파, 규제 대상 엔티티 해소 |
| 사이버보안 | 자산·취약점·공격 그래프(위협 인텔리전스), 공격 경로 추론, 침해 조사 에이전트 |
| 엔터프라이즈 지식·고객지원 | 사내 문서·티켓·제품 그래프 위 GraphRAG Q&A, 근거 있는 답변, 온보딩·지원 에이전트 |
| 추천·이커머스 | 사용자–상품–속성 그래프의 링크 예측·경로 기반 추천, 설명가능한 추천 |
| 법률·컴플라이언스 | 계약·조항·판례·규정 그래프, 다중 홉 근거 추적, 컴플라이언스 점검 에이전트 |
| 개인·에이전트 메모리 | 대화·관찰이 쌓여 자라는 시간적 KG, 장기 기억을 가진 어시스턴트, 개인 지식 관리 |
핵심 포인트
- 그래프는 “연결이 답인 문제”를 위한 것이다: 다중 홉·전역·설명가능성이 필요한 순간, 조인과 벡터 유사도만으로는 부족합니다. 관계를 데이터로 저장한다는 발상이 그 빈틈을 메웁니다.
- LLM이 구축의 문턱을 낮췄다 — 공짜는 아니다: LLM 추출은 손으로 짜던 파이프라인을 대체하지만, 스키마 규율·엔티티 해소·환각 검증이라는 옛 숙제를 지우지는 못합니다. 오히려 그것들이 품질을 가릅니다.
- GraphRAG는 벡터 RAG의 대체가 아니라 보완이다: 그래프와 벡터는 서로 다른 질문에 강합니다. 실전의 답은 대개 하이브리드이며, 그래프가 값을 하는 지점을 아는 것이 핵심입니다.
- 읽는 그래프를 넘어 읽고 쓰는 그래프로: 에이전트가 그래프를 도구이자 기억으로 쓰고, 새 사실을 write-back해 시간과 함께 자랄 때, 지식 그래프는 정적 지식 베이스에서 살아있는 에이전트 메모리가 됩니다.
- 아키텍처는 하나, 변주는 도메인마다: 코퍼스→추출→그래프→에이전트라는 뼈대는 같고, 헬스케어·금융·보안·지원은 그 위의 스키마와 질문이 다를 뿐입니다. 하나를 제대로 지으면 나머지가 보입니다.
추천 학습 순서
위 단계 번호 순서대로 진행하는 것을 권합니다.
- 이해(1~3단계) — 왜 그래프인지(vs 관계형·벡터)를 세우고, 그래프 DB·질의로 손을 풀며, 엔티티·관계 추출로 그래프를 짓는 기초를 다집니다. 이 토대 없이 GraphRAG부터 손대면 블랙박스만 돌리게 됩니다.
- 지능(4~6단계) — LLM으로 그래프를 짓고, GraphRAG로 검색에 그래프를 결합하고, 임베딩·추론으로 예측·다중 홉을 더합니다. 그래프가 지능적으로 쓰이기 시작하는 구간입니다.
- 에이전트(7~8단계) — 그래프를 도구·기억으로 쓰는 에이전트를 이해하고, 이 모두를 end-to-end로 직접 구축하며 도메인 사례로 시야를 넓힙니다. 읽는 그래프를 넘어 움직이는 시스템으로 완성하는 단계입니다.
각 단계는 앞 단계의 토대 위에 쌓이므로, 순서대로 정복하며 체크박스를 채워 나가길 권합니다.
결론
Agentic Knowledge Graph는 “세상을 그래프로 표현한다”는 오래된 발상에, LLM이라는 새 엔진과 에이전트라는 새 주체를 얹은 결과입니다. 도구와 라이브러리는 계속 바뀌겠지만 — Neo4j든 RDF든, Microsoft GraphRAG든 Graphiti든 — 문서를 그래프로 짓고, 그 위에서 검색·추론하고, 에이전트가 도구·기억으로 삼아 읽고 쓴다는 뼈대는 오래 갑니다. 이 8단계를 순서대로 정복하면, 비정형 지식을 연결된 그래프로 빚어내고 그 위에 LLM·에이전트를 얹어 연결이 답인 문제를 푸는 실전 역량을 갖추게 됩니다.
이 Agentic-Knowledge-Graph 시리즈는 개념·그래프 DB·구축 기초부터 LLM 구축·GraphRAG·추론, 그리고 에이전틱 KG의 직접 구축과 도메인 사례까지 전 여정을 다룹니다. 각 단계의 딥다이브가 채워질 때마다 이 로드맵의 체크박스와 진행률을 갱신하겠습니다.
다음 학습 (Next Learning)
- Ontology Essential Curriculum — 지식 그래프의 형식 기반(RDF/OWL·속성 그래프)과 시맨틱 데이터 모델링의 자매 시리즈
- 지식 그래프와 RDF/OWL·속성 그래프 — 이 시리즈가 크로스링크하는 형식 기반 딥다이브
- CS336 (LLM from Scratch) Curriculum — 그래프를 구축·추론하는 LLM의 내부 원리
- Data Engineering Essential Curriculum — 그래프의 재료가 되는 데이터를 수집·처리하는 파이프라인의 지도