LightRAG: 简单快速的检索增强生成

LightRAG: 简单快速的检索增强生成

LightRAG: 简单快速的检索增强生成

跳出"二选一"困境，同时具备图谱的深度和向量检索的速度

help_outline
RAG系统的两难问题

传统RAG

使用简单向量检索，成本低、速度快，但答案常常碎片化，无法理解复杂关联

compare_arrows

GraphRAG

能理解数据里复杂的关联，但构建成本高昂，更新困难，检索速度慢

lightbulb
LightRAG的核心思想

LightRAG提出了一种轻量级的思路，核心不是去建造一个庞大臃肿的知识图谱，而是用一种更巧妙、更经济的方式，让系统同时具备图谱的深度和向量检索的速度。

filter_1 低层检索

聚焦实体属性与直接关系，精确检索特定节点或边的信息

filter_2 高层检索

聚合跨实体的全局主题，提供对更高层次概念和摘要的洞察

architecture
LightRAG的架构设计

1

实体和关系提取

使用LLM从文本块中提取实体(节点)和关系(边)

2

LLM生成键值对

为每个实体和关系生成文本键值对，键是检索索引词，值是总结性文本

3

图谱去重

合并不同文本块中的相同实体和关系，减小图规模

4

增量更新

新文档独立处理后与主图谱合并，无需重建整个索引

compare
LightRAG vs GraphRAG

比较维度
LightRAG
GraphRAG

检索成本
极低 (< 100 token)
高昂 (610,000 token)

更新方式
增量更新
全量重建

检索速度
快速
较慢

答案多样性
高 (76.4% vs 23.6%)
低

答案全面性
高 (83.6% vs 16.4%)
低

stars
LightRAG的优势

check_circle
检索成本降低99%，同时保持高质量的答案生成

check_circle
支持增量更新，适合动态数据环境

check_circle
双层检索机制，兼顾细节与全局信息

check_circle
在多个评估维度上全面优于现有方法

category
适用场景

update
动态数据环境

speed
高效检索需求

hub
跨领域综合查询

question_answer
智能客服系统

analytics
企业知识管理

school
学术研究辅助