Retrieval-Augmented Generation (RAG) 방식은 외부 지식을 활용하여 LLM의 환각 현상과 데이터 노후화 문제를 줄인다. 그러나 검색된 청크들을 독립적으로 처리하고, 특히 여러 문서에 걸쳐 다단계 또는 관계적 추론에 어려움을 겪는다. 지식 그래프는 삼중항을 사용하여 개체 간의 관계를 포착함으로써 구조화된, 다중 청크 추론을 가능하게 하지만, 삼중항 구조에 맞지 않는 정보를 놓치는 경향이 있다. BambooKG는 삼중항이 아닌 엣지에 빈도 기반 가중치를 적용하여 링크 강도를 반영하는 지식 그래프로, "함께 발화하면 함께 연결된다"는 Hebbian 원리를 따른다. 이는 정보 손실을 줄이고 단일 및 다단계 추론에서 성능을 향상시켜 기존 솔루션보다 우수한 결과를 보인다.
