지식 그래프를 위한 MCP 서버를 구축했습니다. LLM을 전혀 호출하지 않습니다.

(dev.to)

Kremis는 LLM을 호출하지 않고 결정론적인 지식 그래프를 통해 데이터의 정확성을 보장하는 MCP(Model Context Protocol) 서버입니다. 기존 RAG의 확률적 검색 한계를 넘어, 엔티티-속성-값(EAV) 구조를 통해 사실 여부를 명확히 확인하는 '그라운딩(Grounding)'에 집중합니다.

이 글의 핵심 포인트

1LLM 호출 없이 결정론적(Deterministic)인 지식 그래프 검색 제공
2Rust 기반의 고성능 MCP 서버로, EAV(Entity-Attribute-Value) 트리플 구조 사용
3벡터 유사도 기반 검색의 한계인 '확률적 오류'를 제거하고 정확한 '그라운딩' 구현
4임베딩 모델이나 외부 API 키 없이 단일 바이너리로 실행 가능한 가벼운 구조
5데이터 추출은 사용자의 몫이며, 구조화된 데이터의 신뢰성 있는 관리에 특화

이 글에 대한 공공지능 분석

왜 중요한가

기존 RAG 시스템의 고질적인 문제인 '확률적 불확실성'을 해결할 수 있는 대안을 제시하기 때문입니다. 단순 유사도 기반 검색이 아닌, 데이터의 존재 여부를 100% 확신할 수 있는 결정론적 구조를 LLM 생태계에 도입하여 AI의 신뢰성을 근본적으로 높입니다.

배경과 맥락

최근 LLM 에이전트 개발에서 MCP(Model Context Protocol)의 활용이 급증하고 있으나, 대부분의 MCP 서버는 검색 과정에서 다시 LLM이나 임베딩 모델을 사용하여 비용과 지연 시간을 발생시킵니다. 이는 데이터의 정확성을 담보하기 어려운 구조적 한계를 가집니다.

업계 영향

AI 에이전트의 역할이 '문맥 이해'에서 '정확한 정보 검증'으로 확장될 것입니다. 벡터 데이터베이스와 지식 그래프를 결합한 하이브리드 아키텍처가 표준이 될 것이며, 이는 AI의 신뢰성을 높이는 핵심 기술 인프라로 자리 잡을 것입니다.

한국 시장 시사점

금융, 의료, 법률 등 높은 정확도가 요구되는 한국의 엔터프라이즈 AI 시장에서 매우 유용한 기술적 접근입니다. 단순 챗봇을 넘어, 검증 가능한 지식 기반의 '신뢰할 수 있는 AI 에이전트' 구축을 위한 핵심 컴포넌트로 활용 가능합니다.

이 글에 대한 큐레이터 의견

많은 AI 스타트업이 RAG의 성능 향상을 위해 더 큰 임베딩 모델이나 복잡한 리랭킹(Re-ranking) 알고리즘에 매달리고 있습니다. 하지만 Kremis의 사례는 '검색의 정교함'보다 '데이터의 구조화'가 AI의 신뢰성을 결정짓는 핵심임을 시사합니다. 이는 LLM을 단순한 생성 도구가 아닌, 구조화된 지식 저장소와 연결된 '추론 엔진'으로 재정의하는 움직임입니다.

창업자들은 여기서 '데이터 인제스션(Ingestion)의 자동화'라는 기회를 포착해야 합니다. Kremis는 데이터 구조화를 사용자의 몫으로 남겨두었지만, 이 구조화된 데이터를 효율적으로 추출하여 그래프로 변환하는 파이프라인을 구축하는 것이 차세대 AI 인프라 전쟁의 승부처가 될 것입니다. 단순한 LLM 래퍼(Wrapper)를 넘어, 데이터의 신뢰성을 보장하는 '검증 레이어'를 구축하는 데 집중하십시오.

원문 보기 →