이 가이드는 Graph RAG에 대한 소개를 제공합니다. 지원되는 모든 기능과 구성에 대한 자세한 문서는 Graph RAG 프로젝트 페이지를 참조하세요.

​
개요

langchain-graph-retriever 패키지의 GraphRetriever는 벡터에 대한 비구조화된 유사도 검색과 메타데이터 속성의 구조화된 순회를 결합한 LangChain retriever를 제공합니다. 이를 통해 기존 vector store에서 그래프 기반 검색이 가능합니다.

​
Integration 세부 정보

RetrieverSourcePyPI PackageLatestProject Page
GraphRetrievergithub.com/datastax/graph-raglangchain-graph-retrieverPyPI - VersionGraph RAG

​
장점

  • 기존 메타데이터를 기반으로 연결: 추가 처리 없이 기존 메타데이터 필드를 사용합니다. 기존 vector store에서 더 많은 것을 검색하세요!
  • 필요에 따라 링크 변경: Edge는 즉석에서 지정할 수 있어, 질문에 따라 다른 관계를 순회할 수 있습니다.
  • 플러그형 순회 전략: Eager 또는 MMR과 같은 내장 순회 전략을 사용하거나, 탐색할 노드를 선택하는 사용자 정의 로직을 정의할 수 있습니다.
  • 광범위한 호환성: 다양한 vector store에 대한 adapter가 제공되며, 추가 store에 대한 지원도 쉽게 추가할 수 있습니다.

​
설정

​
설치

이 retriever는 langchain-graph-retriever 패키지에 포함되어 있습니다. 
pip install -qU langchain-graph-retriever

​
인스턴스화

다음 예제는 동물에 관한 샘플 Document에 대해 그래프 순회를 수행하는 방법을 보여줍니다.

​
사전 요구 사항

​
Vector store 채우기

이 섹션은 샘플 데이터로 다양한 vector store를 채우는 방법을 보여줍니다. 아래의 vector store 중 하나를 선택하는 데 도움이 필요하거나 사용 중인 vector store에 대한 지원을 추가하려면 Adapter 및 지원되는 Store에 대한 문서를 참조하세요.
  • AstraDB
  • Apache Cassandra
  • OpenSearch
  • Chroma
  • InMemory
astra extra와 함께 langchain-graph-retriever 패키지를 설치하세요:
pip install "langchain-graph-retriever[astra]"
그런 다음 vector store를 생성하고 테스트 문서를 로드하세요:
from langchain_astradb import AstraDBVectorStore

vector_store = AstraDBVectorStore.from_documents(
    documents=animals,
    embedding=embeddings,
    collection_name="animals",
    api_endpoint=ASTRA_DB_API_ENDPOINT,
    token=ASTRA_DB_APPLICATION_TOKEN,
)
ASTRA_DB_API_ENDPOINT 및 ASTRA_DB_APPLICATION_TOKEN 자격 증명은 AstraDB Vector Store 가이드를 참조하세요.:::note 더 빠른 초기 테스트를 위해 InMemory Vector Store 사용을 고려하세요. :::

​
그래프 순회

이 graph retriever는 쿼리와 가장 일치하는 단일 동물로 시작한 다음, 동일한 habitat 및/또는 origin을 공유하는 다른 동물로 순회합니다. 
from graph_retriever.strategies import Eager
from langchain_graph_retriever import GraphRetriever

traversal_retriever = GraphRetriever(
    store = vector_store,
    edges = [("habitat", "habitat"), ("origin", "origin")],
    strategy = Eager(k=5, start_k=1, max_depth=2),
)
위 코드는 가장 가까운 동물(start_k=1)로 시작하여 5개의 문서(k=5)를 검색하고, 첫 번째 동물로부터 최대 2단계 떨어진 문서로 검색을 제한하는(max_depth=2) 그래프 순회 retriever를 생성합니다. edges는 메타데이터 값을 순회에 사용할 수 있는 방법을 정의합니다. 이 경우, 모든 동물은 동일한 habitat 및/또는 origin을 가진 다른 동물과 연결됩니다. 
results = traversal_retriever.invoke("what animals could be found near a capybara?")

for doc in results:
    print(f"{doc.id}: {doc.page_content}")

capybara: capybaras are the largest rodents in the world and are highly social animals.
heron: herons are wading birds known for their long legs and necks, often seen near water.
crocodile: crocodiles are large reptiles with powerful jaws and a long lifespan, often living over 70 years.
frog: frogs are amphibians known for their jumping ability and croaking sounds.
duck: ducks are waterfowl birds known for their webbed feet and quacking sounds.
그래프 순회는 데이터의 구조화된 관계를 활용하여 검색 품질을 향상시킵니다. 표준 유사도 검색(아래 참조)과 달리, 문서가 선택된 이유에 대한 명확하고 설명 가능한 근거를 제공합니다. 이 경우, 문서 capybara, heron, frog, crocodile, newt는 모두 메타데이터에 정의된 대로 동일한 habitat=wetlands를 공유합니다. 이는 Document 관련성과 LLM의 답변 품질을 향상시킬 것입니다.

​
표준 검색과의 비교

max_depth=0일 때, 그래프 순회 retriever는 표준 retriever처럼 동작합니다: 
standard_retriever = GraphRetriever(
    store = vector_store,
    edges = [("habitat", "habitat"), ("origin", "origin")],
    strategy = Eager(k=5, start_k=5, max_depth=0),
)
이는 가장 가까운 5개의 동물(start_k=5)로 시작하여 순회 없이 반환하는(max_depth=0) retriever를 생성합니다. 이 경우 edge 정의는 무시됩니다. 이는 본질적으로 다음과 동일합니다: 
standard_retriever = vector_store.as_retriever(search_kwargs={"k":5})
두 경우 모두 retriever를 호출하면 다음을 반환합니다: 
results = standard_retriever.invoke("what animals could be found near a capybara?")

for doc in results:
    print(f"{doc.id}: {doc.page_content}")

capybara: capybaras are the largest rodents in the world and are highly social animals.
iguana: iguanas are large herbivorous lizards often found basking in trees and near water.
guinea pig: guinea pigs are small rodents often kept as pets due to their gentle and social nature.
hippopotamus: hippopotamuses are large semi-aquatic mammals known for their massive size and territorial behavior.
boar: boars are wild relatives of pigs, known for their tough hides and tusks.
이러한 문서는 유사도만을 기반으로 결합됩니다. store에 존재했던 구조적 데이터는 무시됩니다. 그래프 검색과 비교할 때, 반환된 결과가 쿼리에 답하는 데 도움이 될 가능성이 낮아지기 때문에 Document 관련성이 감소할 수 있습니다.

​
사용법

위의 예제에 따라, invoke는 쿼리에 대한 검색을 시작하는 데 사용됩니다.

​
API 참조

사용 가능한 모든 매개변수와 고급 구성을 살펴보려면 Graph RAG API 참조를 참조하세요.
Edit the source of this page on GitHub.
Connect these docs programmatically to Claude, VSCode, and more via MCP for real-time answers.
⌘I