랭체인으로 RAG 개발하기: VectorRAG & GraphRAG(반양장)

개념과 원리를 핵심 위주로 간단하게!
기본 예제를 구현하며 배우는 RAG 입문!

이 책에서 다루는 내용: VectorRAG & GraphRAG
LLM 관련 기술의 핵심은 RAG입니다. RAG는 데이터 성격에 따라 VectorRAG와 GraphRAG로 구분할 수 있습니다. 이 책은 RAG 개념을 비롯해, 비슷하면서도 서로 다른 VectorRAG와 GraphRAG의 개념과 원리를 비교하며 알아봅니다. 기존에 사용했던 일반적인 RAG인 VectorRAG 방식과 데이터 간의 관계를 파악하고 활용할 수 있는 GraphRAG 방식을 각각 어떤 시나리오와 데이터에서 활용하면 좋을지 살펴보고, 랭체인을 이용한 구현 방법도 알아봅니다.

이 책에서 다루는 내용: 오픈AI & 딥씨크
랭체인을 이용해 본격적으로 구현하기에 앞서 RAG에 주로 활용되는 모델을 살펴볼 텐데, 이 책에서는 오픈AI 모델과 추론 모델, 그리고 오픈 소스인 딥씨크 모델의 원리와 배경에 대해 간단히 훑어봅니다. 이어서 VectorRAG를 구현한 동일한 랭체인 코드에서 오픈AI 모델과 딥씨크 모델을 각각 사용해볼 것입니다. 이로써 실제로 두 모델의 성능 차이가 어떤지 비교해볼 수 있습니다. 딥씨크 모델은 안전하게 사용하기 위해 Ollama를 통해 로컬에 내려받아 실행합니다.

이 책의 실습 시나리오: 기초 예제 구현하기
다양한 시나리오로 랭체인을 이용해 RAG를 구현해봅니다. 예제는 누구나 따라할 수 있고, 가장 기본이 되는 쉬운 기초 예제로 준비했으며, 오픈AI 모델과 딥씨크 모델의 차이 & VectorRAG와 GraphRAG의 차이를 이해할 수 있습니다. 마지막으로 코파일럿에서도 Vector 검색과 Graph 검색이 활용되므로, 코파일럿에서 사용하는 검색 방식과 VectorRAG, GraphRAG의 차이를 간단히 비교해봅니다.

[VectorRAG 예제]
? 자동차 데이터 검색하기
? 웹 데이터 검색하기
? PDF에서 데이터 검색하기
? 랭체인 메모리 사용하기
? 여러 파일에서 데이터 가져와 검색하기

[GraphRAG 예제]
? 축구 데이터 검색하기
? PDF 파일 불러와서 검색하기
? 영화 데이터 검색하기
? 자동차 데이터 검색하기
? 건강 데이터 검색하기

1장 VectorRAG & GraphRAG 개념 이해하기
1.1 RAG란 무엇인가?
___1.1.1 RAG란?
___1.1.2 RAG의 필요성
___1.1.3 RAG 핵심 원리
___1.1.4 RAG 구현 방법
1.2 VectorRAG란 무엇인가?
___1.2.1 벡터란?
___1.2.2 벡터 처리 과정
___1.2.3 벡터 저장소
___1.2.4 VectorRAG란?
___1.2.5 VectorRAG는 언제 사용하나요?
1.3 GraphRAG란 무엇인가?
___1.3.1 그래프란?
___1.3.2 GraphDB: Neo4j
___1.3.3 GraphRAG란?
___1.3.4 GraphRAG는 언제 사용하나요?

2장 OpenAI 개념과 원리 이해하기
2.1 OpenAI란?
2.2 OpenAI 모델
___2.2.1 GPT 시리즈
___2.2.2 ChatGPT
___2.2.3 DALL·E 시리즈
___2.2.4 Whisper
___2.2.5 Sora
___2.2.6 임베딩
2.3 ChatGPT의 원리
___2.3.1 트랜스포머란?
___2.3.2 트랜스포머가 등장한 이유
2.4 OpenAI 추론 모델: o3-mini
___2.4.1 추론을 해야 하는 질문
___2.4.2 정답이 확실한 질문
2.5 OpenAI 모델 사용 시 고려사항

3장 DeepSeek 개념과 원리 이해하기
3.1 DeepSeek란?
3.2 DeepSeek가 부각된 배경
3.3 DeepSeek-R1의 원리
3.4 DeepSeek 모델
3.5 DeepSeek 모델 사용 시 고려사항

4장 실습 환경 준비하기
4.1 아나콘다 설치 및 구성
___4.1.1 아나콘다 설치하기
___4.1.2 아나콘다 가상 환경 구성하기
4.2 API 키 준비하기
4.3 DeepSeek 모델 준비하기
4.4 Neo4j 설치 및 구성하기
___4.4.1 Neo4j 설치하기
___4.4.2 Neo4j 사용 방법 익히기
___4.4.3 Neo4j에서 Cypher 사용하기

5장 VectorRAG 실습: OpenAI API 사용
5.1 자동차 데이터 검색하기
5.2 웹 데이터 검색하기
5.3 PDF에서 다육이 데이터 검색하기
5.4 랭체인의 메모리 사용하기
5.5 여러 파일에서 데이터 가져와 검색하기
5.6 랭체인 & 라마인덱스 비교
5.7 VectorRAG에 부적합한 사례

6장 VectorRAG 실습: DeepSeek 모델 사용
6.1 자동차 데이터 검색하기
6.2 웹 데이터 검색하기
6.3 PDF에서 다육이 데이터 검색하기
6.4 랭체인의 메모리 사용하기
6.5 여러 파일에서 데이터 가져와 검색하기

7장 GraphRAG 실습
7.1 랭체인에서 그래프 사용하기
7.2 축구 데이터 검색하기
___7.2.1 축구 데이터 생성하기
___7.2.2 축구 데이터 검색하기
7.3 PDF 파일 불러와서 검색하기
7.4 영화 데이터 검색하기
___7.4.1 영화 데이터 생성하기
___7.4.2 영화 데이터 검색하기
7.5 자동차 데이터 검색하기
___7.5.1 자동차 데이터 생성하기
___7.5.2 자동차 데이터 검색하기
7.6 건강 데이터 검색하기
___7.6.1 건강 데이터 생성하기
___7.6.2 건강 데이터 검색하기

8장 Copilot과 GraphRAG 비교 및 RAG의 사회적 영향
8.1 Copilot에서 사용하는 그래프 기반 검색과 GraphRAG 비교
___8.1.1 Copilot에서 사용하는 검색
___8.1.2 일반적인 RAG와 Copilot 검색 비교
8.2 RAG 패러다임 이후: 다음 단계는?
___8.2.1 RAG의 한계와 발전 방향
___8.2.2 AI Agent와 강화학습
8.3 RAG의 사회적 영향
___8.3.1 신뢰성과 투명성 문제
___8.3.2 AI의 윤리적 고려 사항
___8.3.3 정책 및 규제 이슈
8.4 인간 삶의 변화
___8.4.1 업무의 변화
___8.4.2 개인 삶의 변화

찾아보기

서지영 마이크로소프트에서 Data & AI Specialist로 근무 중이며, 정보관리기술사와 컴퓨터시스템응용기술사로 20년 넘게 IT 분야에서 일하고 있다. 고려대학교 대학원에서 빅데이터 및 인공지능에 대한 전문적인 연구를 진행하면서 『모두의 인공지능 기초 수학』(길벗, 2020), 『딥러닝 텐서플로 교과서』(길벗, 2021), 『딥러닝 파이토치 교과서』(길벗, 2022), 『챗GPT, 거부할 수 없는 미래』(길벗, 2023) 『랭체인으로 LLM 기반의 AI 서비스 개발하기』(길벗, 2024), 『랭체인 & 랭그래프로 AI 에이전트 개발하기』(길벗, 2025) 등을 저술했다.