비교 - RAG 파이프라인 vs 지식 그래프 엔진¶
비교 대상¶
- RAG 파이프라인: 시나리오 텍스트와 규칙 자료를 검색·회수해 LLM 응답 품질을 보조하는 정보 접근 계층
- 지식 그래프 엔진: 인물, 장소, 규칙, 상태 관계를 구조화해 서사 생성과 상태 검증의 기준점으로 사용하는 엔진 계층
핵심 차이¶
| 항목 | RAG 파이프라인 | 지식 그래프 엔진 |
|---|---|---|
| 목표 | 필요한 문맥을 찾아 LLM 입력을 보강 | 상태 일관성과 관계 구조를 엔진 수준에서 유지 |
| 강점 | 빠른 회수, 기존 문서 활용, 구현 접근성 | 정합성 검증, 상태 추적, 관계 기반 추론 강화 |
| 약점 | 회수 품질이 낮으면 문맥이 흔들림 | 모델링 비용과 운영 복잡성이 큼 |
| 적합한 역할 | 배경 지식 보강, 규칙 참조, 초기 검색 | 월드 상태 관리, 모순 감시, 장기 서사 일관성 유지 |
| 실패 시 위험 | 검색 결과가 넓기만 하고 상태 일관성은 보장하지 못함 | 구조가 과도하면 변경 비용이 커지고 운영 유연성이 떨어짐 |
이 저장소 맥락에서의 결론¶
AI-Nornen은 RAG를 버리는 방향이 아니라, RAG를 더 큰 지식 그래프 엔진 안의 보조 계층으로 내리는 방향에 가깝습니다. 프로젝트 상태 문서에서 중요하게 다뤄지는 것은 회수 자체보다 지식 그래프 상태 엔진, 엄격한 타입 계약, 월드 상태 활력, 감사 추적 관측성, 감사 추적, 내러티브 소버린, 워크벤치가 만드는 상위 제어 구조입니다.
언제 균형이 깨지는가¶
- RAG 품질만 올리고 상태 정합성 제어를 미루면 서사 일관성이 약해집니다.
- 반대로 그래프 구조만 키우고 회수 품질을 무시하면 실제 LLM 입력 맥락이 빈약해집니다.
- 가장 좋은 상태는 RAG가 문맥 보강을 맡고, 지식 그래프 엔진이 상태 진실과 검증을 맡는 역할 분리입니다.