PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2609.23315v1cs.DB

LLM 에이전트를 위한 그래프 메모리: 비용은 얼마인가? 그래프 데이터베이스 엔진 간 쿼리·수집·갱신 성능 비교 평가

Graph Memory for LLM Agents: At What Cost? A Comparative Evaluation of Query, Ingest, and Update Performance Across Graph Database Engines

그래프 데이터베이스는 연결 데이터 워크로드에 반드시 필요하다고 자주 소개되지만, 실제로 엔진마다 다른 시스템 차원—쿼리 계획, 인덱싱, 데이터를 쿼리 가능하게 만드는 비용—은 벤더 프레이밍과 분리해 거의 다루지 않는다. 우리는 생의학 형태의 합성 속성 그래프(102만 노드, 노드·엣지 행 합계 534만)와 이웃 조회, 유계 경로, 집합 교집합, anti-join, 그룹 집계, top-k 순위, 시간 필터, 전체 스캔, 관계형 조인을 아우르는 20개 쿼리 워크로드를 구성했다. Corvic AI—Corvic 온톨로지 관리 층("memories")의 기반이 되는 목적형 컬럼형 쿼리 엔진—를 LoraDB, Ladybug, DuckPGQ, Memgraph, Neo4j, HugeGraph, FalkorDB 등 일곱 개의 전용 또는 그래프 확장 DB 시스템과, 세 자릿수 스케일 차이를 갖는 세 가지 그래프 규모에서 벤치마크했다. 각 시스템에 대해 쿼리 지연 기하평균, 대량 수집 처리량, 점 갱신 지연, 답 정확도를 보고하고, 쿼리량의 함수로 수집·쿼리 트레이드오프를 표현하는 단순 총 소유 비용 모델을 도출했다. 핵심 결과는 이 표본에서 어떤 시스템도 범주적으로 가장 빠르지 않다는 것이다. 네이티브 그래프 엔진(Ladybug)은 좁고 유계 이웃 형태에서 Corvic AI보다 우수하고, Corvic AI는 그래프의 큰 비율을 스캔하거나 조인하는 형태에서 더 빠르며, SQL/PGQ로 그래프 쿼리 구문을 구현한 시스템(DuckPGQ)은 순전히 쿼리 계획 선택 때문에 눈에 띄게 느리다. 우리 데이터에서 지배적인 비용 차는 쿼리 지연이 아니라 데이터를 아예 쿼리 가능하게 만드는 비용이다. 대량 수집 처리량은 엔진마다 세 자릿수(5.0k–4.3M rows/s)까지 달라지며, 단순 교차점 계산이 보여 주듯 데이터 갱신당 대략 10⁵회 미만의 쿼리를 갖는 워크로드에서는 이 격차가 총 비용을 지배한다.