LLM Graph Builder — 비정형 데이터 → Neo4j 지식 그래프
무엇 — PDF·문서·유튜브·웹처럼 구조 없는 데이터를 LLM으로 분석해 Neo4j 지식 그래프로 바꾸는 Neo4j Labs의 오픈소스 도구. LangChain으로 텍스트에서 노드·관계·속성을 추출하고, 만들어진 그래프에 대화하듯 질의한다. 단순 키워드·벡터 검색만으로는 따라가기 힘든 “문서 사이의 관계”를 그래프로 잇는 게 핵심. ⭐4,887 · Apache-2.0 · 백엔드 Python/FastAPI · 프런트 React.
전체 흐름 — 비정형 데이터가 질의 가능한 그래프가 되기까지
flowchart LR A["비정형 입력<br/>PDF·문서·유튜브·웹·S3/GCS"] --> B["LLM 추출<br/>(LangChain)<br/>노드·관계·속성"] B --> C["Neo4j 지식 그래프<br/>(노드 + 엣지)"] C --> D["대화형 질의<br/>+ 출처 메타데이터"] C -. "Neo4j Bloom 시각화" .-> V["그래프 보기<br/>(단일/다중 소스)"]
지식 그래프(Knowledge Graph) 란? 정보를 “표의 행”이 아니라 점(개체)과 선(관계)으로 저장하는 방식이다. 예컨대 “회사 A —(인수)→ 회사 B” 처럼 개체 사이의 연결을 직접 담는다. 그래서 “A가 인수한 회사가 다시 투자한 곳은?” 같은 관계를 따라가는 질문에 강하다. 추출 단계에서 커스텀 스키마(어떤 노드·관계 라벨을 만들지)를 직접 정의해 통제할 수 있다.
질의는 어떻게 하나? — 벡터 vs 그래프 vs 하이브리드
이 도구의 채팅은 데이터를 어떻게 검색할지에 따라 모드가 갈린다. 핵심은 벡터 검색(의미 유사도)과 그래프 검색(명시적 관계)의 차이, 그리고 둘을 합치는 것.
flowchart TD Q["사용자 질문"] --> M{"질의 모드<br/>(VITE_CHAT_MODES)"} M -->|vector| VEC["임베딩 유사도로<br/>관련 청크 검색"] M -->|graph| GR["노드·관계를 따라<br/>답 구성"] M -->|graph_vector| HY["둘을 결합<br/>의미 + 명시적 관계"] M -->|fulltext / entity_vector / global_vector| ETC["전문검색·엔티티·전역 모드"] VEC --> ANS["답변 + 출처"] GR --> ANS HY --> ANS ETC --> ANS
벡터만 쓰면 “비슷한 문장”은 잘 찾지만 문서 사이를 잇는 관계는 놓친다. 그래프만 쓰면 관계는 정확하나 표현이 조금만 달라도 못 찾는다. graph_vector(하이브리드) 가 둘의 약점을 메워 더 풍부한 맥락을 끌어온다 — 이게 GraphRAG의 요지.
구성 요소 한눈에 (mindmap)
mindmap root((LLM Graph Builder)) 입력 소스 local YouTube Wikipedia AWS S3 web · GCS옵션 LLM 제공자 OpenAI · Diffbot 기본 Gemini · Anthropic Azure · Bedrock Groq · Fireworks Ollama · Deepseek 임베딩 Sentence Transformers 기본 OpenAI · Gemini · Titan 질의 모드 vector · graph graph_vector fulltext · entity · global 배포 Docker Compose GCP Cloud Run Cloud Build
주요 기능
| 기능 | 내용 |
|---|---|
| 지식 그래프 생성 | LLM으로 비정형 데이터에서 노드·관계·속성 추출 |
| 스키마 지원 | 커스텀/기존 스키마로 그래프 생성 방식 제어 |
| 그래프 시각화 | Neo4j Bloom에서 단일·다중 소스 동시 확인 |
| 데이터와 대화 | 대화형 질의 + 출처 메타데이터, /chat-only 전용 인터페이스 |
| 토큰 추적 | TRACK_USER_USAGE=true로 사용자·DB별 토큰 사용량·한도 모니터링 |
설치 요건 (직접 실행 시)
- Python 3.12+, APOC 설치된 Neo4j 5.23+. (백엔드가 Cypher 변수 스코프 서브쿼리
CALL (variable) { ... }를 써서 5.20 등 이전 5.x에선 동작 안 함.) - Neo4j Aura 무료 등급에서도 동작. 로컬 Docker Compose, Ollama 로컬 LLM, GCP Cloud Run 배포 모두 지원.
# 백엔드: example.env 복사 → Neo4j 접속정보 채우고 실행
cd backend
python3.12 -m venv venv && source venv/bin/activate # Windows: venv\Scripts\activate
pip install -r requirements.txt
uvicorn score:app --reload
# 프런트엔드: yarn && yarn run dev⚠️ 1차 출처 팩트체크 (GitHub API·README 직접 확인)
| 주장 | 검증 결과 |
|---|---|
| Apache 2.0 라이선스 | ✅ 사실 (apache-2.0, 개인·상업 자유 사용) |
| 백엔드 Python/FastAPI · 프런트 React · Neo4j 저장 | ✅ 사실 (README 배지·본문) |
| LLM 11종(OpenAI·Gemini·Diffbot·Azure·Anthropic·Fireworks·Groq·Bedrock·Ollama·Deepseek·OpenAI호환) | ✅ 사실 |
| Docker Compose 기본은 OpenAI·Diffbot만 활성 | ✅ 사실 |
| 질의 모드 7종(vector·graph·graph_vector·fulltext·graph_vector_fulltext·entity_vector·global_vector) | ✅ 사실 |
| Python 3.12+ / Neo4j 5.23+(APOC) | ✅ 사실 |
| ⚠️ 추가 주의 | Diffbot API 키는 ENV 표상 Mandatory(OpenAI 키는 Optional) — 기본 구성으로 돌리려면 Diffbot 키 필요. YouTube 처리엔 transcript 프록시 키 필요 |
| 스타 수 | (원문 미언급) 현재 ⭐4,887 · 포크 834 (2024-01 생성, 2026-06 갱신) |
시사점 — 내 작업과의 연결
평문 MD 지식 볼트를 운영하는 입장에서 흥미로운 건, “벡터 검색만으로는 문서 사이 관계를 못 잇는다” 는 전제다. 내 볼트도 [[위키링크]]로 노트를 잇는데, 그건 결국 사람이 손으로 만든 그래프다. LLM Graph Builder는 그 연결을 LLM이 자동 추출해준다는 차이. 다만 Neo4j라는 별도 DB·인프라가 필요하고 Diffbot 등 유료 키가 끼어, “평문 파일 + 위키링크”의 무인프라 장점과는 트레이드오프가 분명하다. GraphRAG를 본격적으로 볼 때 1차 레퍼런스로 둘 만하다.
1차 출처: neo4j-labs/llm-graph-builder(README·GitHub API) 직접 확인. 데모: llm-graph-builder.neo4jlabs.com. 원 소개글: PyTorch 한국 사용자 모임(9bow). 정리: 2026-06-24.