▲ 네오4j MCP와 공공데이터를 붙이며 정리한 그래프 RAG 메모

네오4j MCP를 붙이니 에이전트가 현실감을 얻었다

에이전트를 오래 만지다 보면 답변이 그럴듯한 것과 실제 기반이 있는 것은 완전히 다르다는 걸 자주 느끼게 된다. 특히 지역, 업종, 위치, 관계처럼 데이터 구조가 중요한 질문에서는 일반적인 언어 모델 응답만으로는 금방 한계가 드러난다. 저도 그런 이유로 공개 데이터를 직접 붙여 보고 싶었고, 그러다 네오4j와 MCP를 활용한 그래프 구조 쪽으로 자연스럽게 시선이 옮겨 갔다.

공공데이터 포털의 CSV처럼 거대한 원천 데이터를 그냥 파일로 두는 것과, 그것을 노드와 관계로 재정리해 에이전트가 읽을 수 있게 만드는 것은 완전히 다른 단계였다. 후자 쪽으로 넘어가자 데이터가 단순 참고자료가 아니라 실제 판단 기반으로 바뀌기 시작했다. 그때부터는 ‘에이전트가 똑똑하냐’보다 무엇을 근거로 답하고 있느냐가 훨씬 더 중요하게 보였다.

엑셀에 있던 정보는 그래프로 올라가자 비로소 관계를 말하기 시작했다

CSV 상태에서는 상호명, 위치, 업종, 좌표가 길게 늘어선 행 데이터에 가깝다. 그걸 네오4j로 올리면 이야기가 달라진다. 구, 업종, 매장, 위치 같은 요소가 노드와 관계로 분리되면서 ‘무엇이 어디에 속하고 무엇과 이어지는지’가 한눈에 드러난다. 저는 이 차이가 단순한 저장 방식의 변화가 아니라, 질문 가능한 데이터로 넘어가는 핵심 전환처럼 느껴졌다.

MCP가 붙으니 데이터베이스가 에이전트 작업 흐름 안으로 들어왔다

그전까지 데이터베이스는 따로 열어 보고, 분석은 별도로 하고, 결과만 다시 가져오는 식이었다. 그런데 MCP로 연결해 두니 에이전트가 필요한 순간에 직접 그 구조를 활용하게 된다. 이 흐름이 주는 장점은 단순 편의성보다도 맥락 유지에 있다. 질문, 조회, 관계 파악, 추가 가공이 한 흐름 안에서 이어지니 답변의 밀도가 확실히 달라졌다.

그래프 RAG는 속도보다 관계 이해에서 진가가 드러났다

물론 필요한 데이터를 빨리 찾는 것도 장점이다. 하지만 제가 더 크게 본 건 관계 해석이었다. 특정 구 안의 특정 업종을 찾는 정도를 넘어, 어떤 업종이 어떤 분포를 보이고 어떤 주변 정보와 엮이는지까지 훨씬 자연스럽게 읽힌다. 그래서 그래프 RAG는 검색 최적화 기술이면서 동시에, 에이전트가 세상을 평면이 아니라 연결망으로 이해하게 만드는 방식이라고 느꼈다.

이후로는 AI 에이전트를 볼 때도 프롬프트보다 데이터 흐름을 먼저 확인하게 된다. 어떤 DB를 붙였는지, 관계를 어떻게 표현하는지, 조회가 어떤 워크플로로 이어지는지가 더 중요하다. 결국 믿을 수 있는 응답은 잘 꾸민 문장에서 오지 않고, 잘 정리된 데이터 구조에서 나온다고 생각한다.