近期，香港大学黄超团队提出了一种新的大模型 RAG 范式——LightRAG。这是一种简单快速的检索增强生成（RAG）系统，显著降低了与大语言模型（LLMs）相关的成本。LightRAG 通过图结构有效捕捉和表示实体间的复杂关系，采用双层检索范式，实现低层与高层信息的高效整合。此外，LightRAG 还具备快速适应动态数据变化的能力，能够及时整合新信息。
检索增强生成（RAG）系统通过整合外部知识源，增强了大语言模型（LLMs）的功能，使其能够根据用户需求生成更精准且上下文相关的响应。然而，现有的 RAG 系统存在一些明显的局限性，例如对平面数据表示的依赖以及缺乏足够的上下文感知能力，这导致答案往往碎片化，无法充分捕捉复杂的实体间相互依赖关系。尽管 GraphRAG 引入了图结构以改善文本索引和检索过程，但也带来了较高的模型开销。为了解决这些问题，我们提出了 LightRAG。该创新框架采用双层检索系统，提升了低层与高层知识发现的综合信息检索能力。此外，结合图结构与向量表示，显著提高了相关实体及其关系的检索效率，缩短了响应时间，同时保持了上下文的相关性。同时，LightRAG 中的增量更新算法增强了系统在快速变化的数据环境中的响应能力，确保能够及时集成新数据。广泛的实验结果表明，LightRAG 在检索准确性和效率方面较现有方法有显著提升。
模型架构
2.1 图增强的实体与关系提取
LightRAG 通过将文档拆分为更小的可管理片段，从而显著提升了检索系统的效率。这种方法使得相关信息的快速识别和获取变得更加便捷，无需逐篇分析整个文档。
接下来，我们利用大语言模型（LLMs）来识别和提取各种实体（如人名、日期、地名和事件）及其之间的关系。提取后的信息将用于构建一个综合性的知识图谱，旨在揭示文档集合中的联系与深层见解。以下是我们在图结构文本索引中使用的关键功能：
- 实体与关系提取 ：该功能利用大语言模型（LLM）从文本数据中识别出实体（节点）及其相应的关系（边）。例如，它能够从句子“心脏病专家评估症状以确定潜在的心脏问题”中提取出“心脏病专家”和“心脏病”等实体，并识别出“心脏病专家诊断心脏病”的关系。为了提升处理效率，原始文本会被划分为多个小段。
- LLM 生成键值对 ：我们利用大语言模型（LLM）创建实体节点和关系边的键值对。每个索引键由特定的词或短语组成，以便实现高效检索，而对应的值则是从外部数据中提取的摘要信息，用于支持文本生成。实体名称作为独特的索引键，而关系则通过 LLM 扩展成多个索引键，涵盖与相关实体相关的主题。
- 去重与优化图操作 ：我们通过去重功能识别并整合来自不同文本片段的重复实体和关系。这个过程显著降低了图操作的成本，从而提升了数据处理的效率。
LightRAG 的图结构文本索引模式提供了两个显著的优势。首先，增强的信息理解：构建的图形结构能够从多跳子图中提取整体信息，显著提高了模型在处理跨多个文档的复杂查询时的能力。其次，优化的检索性能：图生成的键值数据结构经过改进，能够迅速且准确地获取所需信息，优于传统方法中的嵌入匹配和低效的片段检索技术。
为有效应对数据的变化并确保生成精准且相关的响应，LightRAG 采用了一种增量更新算法，允许知识库的更新，而无需对整个外部数据库进行全面重处理。该算法通过相同的图结构索引过程来处理新文档，并将新生成的图数据与已有数据进行合并。为实现快速适应增量知识库，我们设定了两个核心目标：高效整合新数据：增量更新模块采用统一的方法来处理新信息，使模型能够在保持现有图结构的完整性的同时，顺利引入新的外部数据库。这一策略确保了历史数据的可用性，同时丰富了知识图谱，避免了信息的冲突或冗余。
- 优化计算资源：由于无需重新构建整个索引图，这种方法大幅度减少了计算的负担，并加速了新数据的整合。这样一来，模型不仅得以保持系统的准确性，确保信息的及时更新，还能显著节约资源，从而增强了 RAG 系统的整体效率。
为了同时获取特定文档片段及其复杂的相互关系，LightRAG 提出了生成详细（Low-Level）和抽象（High-Level）两种层次的查询键。
- 细化查询：这些查询关注具体细节，通常涉及图中的特定实体，旨在准确检索与特定节点或边相关的信息。例如，细化查询可能是“《傲慢与偏见》的作者是谁？”
- 抽象查询：与此相对，抽象查询更具广泛性，涉及摘要或全局主题，而非直接关联于特定实体。例如，一个概念查询可以是“人工智能对现代教育的影响是什么？”
为了应对多样化的查询需求，模型在双层检索模式中采用了两种不同的检索策略。这确保无论是细化还是概念查询，都能有效地得到响应，满足用户的期望。
- Low-Level 检索：这一层次主要关注特定实体及其相关属性或关系。该层级的查询强调细节，旨在提取与图中特定节点或边准确相关的信息。
- High-Level 检索：此层次处理更广泛的主题和全局概念。这类查询聚合多个相关实体和关系的信息，提供对高层概念和摘要的深刻理解，而非具体细节。
通过将图结构与向量表示相结合，模型得以更全面地解析实体间的关系。这种协同机制使得检索算法能够灵活运用局部和全局关键词，优化搜索流程，进而提升结果的相关性。2.4 基于检索增强的答案生成
借助检索到的信息，LightRAG 利用通用大语言模型（LLM）生成基于收集到的数据的答案。这些数据由相关实体及其关系的连接值构成，涵盖了包括名称、描述和原始文本摘录在内的多种信息。通过将查询与这些多源文本整合，LLM 能够生成与用户需求相符的答案，确保查询意图得到有效响应。这一方法通过将上下文信息与查询合并到 LLM 模型中，简化了答案生成的流程。
定义许多 RAG 查询（尤其是涉及复杂高层语义的查询）的真实值是一项巨大的挑战。为了解决这一问题，我们基于现有研究，采用了大语言模型（LLM）对回答的答案多维度评估比较的方法。在本次实验中，我们使用了 GPT-4o-mini 模型，对每个对比方法与 LightRAG 进行排名。总体而言，我们设定了四个评估维度：
- 全面性：答案在多大程度上涵盖了问题的各个方面和细节？
- 多样性：答案在提供不同视角和见解方面的丰富程度如何？
- 赋能性：答案在多大程度上帮助读者理解主题并做出明智的判断？
在确定每个维度的获胜答案后，LLM 将结合这些结果来评估总体表现最优的答案。为确保评估的公正性，并减轻答案在提示中呈现顺序可能带来的偏见，我们会交替排列每个答案的顺序，并根据获胜次数计算最终结果。我们在多个评估维度和数据集上对 LightRAG 与每个对比方法的表现进行了比较，结果见表1。
图增强RAG系统在大规模语料库中的优势
在处理大量 token 和复杂查询时，基于图结构的 RAG 系统（如 LightRAG 和 GraphRAG）展现出明显优于传统片段检索方法（如 NaiveRAG、HyDE 和 RQRAG）的性能。
随着数据集规模的扩大，这种优势愈加明显。例如，在最大的数据集（Legal）中，基线方法的胜率仅为约 20%，而 LightRAG 则显著领先。这一现象强调了图增强 RAG 系统在捕捉大规模语料库中的复杂语义依赖关系方面的卓越能力，从而实现更全面的知识理解和更强的泛化能力。与现有 RAG 方法相比，LightRAG 在“多样性”这一指标上展现出显著优势，尤其在较大的 Legal 数据集中。这一持续的领先表现表明，LightRAG 在生成多样化回答方面具有强大的能力，特别适用于内容丰富的场景。
我们将这一优势归因于 LightRAG 的双层检索范式，该范式能够从低层和高层维度全面检索信息。通过图结构文本索引，LightRAG 能够在应对查询时持续捕捉全局上下文，从而生成多样化的响应。LightRAG 相较于 GraphRAG 的优势：尽管 LightRAG 和 GraphRAG 均采用图结构的检索机制，LightRAG 在较大数据集和复杂语言背景下仍表现出持久的优势。在包含数百万 token 的 Agriculture、CS 和 Legal 数据集中，LightRAG 明显超越了 GraphRAG，彰显了其在不同环境中全面理解信息的能力。
通过结合对特定实体的低层检索与对更广泛主题的高层检索，LightRAG 显著增强了回答的多样性。这种双层机制有效应对了详细与抽象查询，确保对信息的全面掌握。
该方法在需要多样化视角的场景中尤为重要。通过同时获取具体细节与全局主题，LightRAG 能够熟练应对涉及多个互相关联话题的复杂查询，提供具有上下文相关性的答案。3.2 消融实验
我们首先分析了 Low-Level 和 High-Level 检索范式的影响。通过比较两种消融模型（分别移除一个模块）与 LightRAG 在四个数据集上的表现，我们得出了以下主要观察：
- 仅 Low-Level 检索：-High 该变体移除了高层检索，导致在几乎所有数据集和指标上均出现显著下降。这一下降主要源于其过于强调具体信息，专注于实体及其直接关联的邻居。尽管这种方法允许深入探索直接相关的实体，但在需要综合洞察的复杂查询中表现不足。
- 仅 High-Level 检索：-Low 这一变体通过利用实体间的关系来捕捉更广泛的内容，而非专注于具体实体。这种方法在全面性上显示出显著优势，能够收集更丰富和多样化的信息。然而，这也意味着它无法深入探讨具体实体，从而限制了提供详细洞察的能力。因此，在需要精准、详细答案的任务中，这种仅依赖高层检索的方法可能表现不佳。
- 混合模式：混合模式（即 LightRAG 的完整版本）结合了低层和高层检索的优势，既能广泛检索关系，又能深入探索具体实体。这种双层检索方法确保了广度与深度的有效结合，提供了全面的数据视图。因此，LightRAG 在多个维度上实现了平衡的表现。
3.3 模型成本与动态数据适应性分析
我们从两个关键角度对 LightRAG 与 GraphRAG 的成本进行了比较。首先，我们分析了索引和检索过程中的 token 数量和 API 调用次数。其次，我们评估了这些指标在动态环境中处理数据变化的表现。
评估结果在 Legal 数据集上显示，如下表所示。在这里， 表示实体和关系提取的 token 开销， 是每次 API 调用允许的最大 token 数，而 则表示提取所需的 API 调用次数。
在检索阶段，GraphRAG 创建了 1,399 个 Communities，其中 610 个二级社区被用于本实验的检索。每个社区平均包含 1,000 个 token，因此总的 token 消耗量达到 610,000 个（610 个社区 × 每个社区 1,000个 token）。
此外，GraphRAG 需要逐一检查每个社区，导致了数百次 API 调用，这显著增加了检索成本。相较之下，LightRAG 对这一过程进行了优化，仅需使用不到 100 个 token 来进行关键词生成和检索，整个过程仅需一次 API 调用。这种高效性源于我们独特的检索机制，巧妙地结合了图结构与向量化表示，从而避免了对大量信息的预处理。
在增量数据更新阶段，旨在应对动态环境中的数据变动时，两种模型在实体和关系提取方面的开销相对接近。然而，GraphRAG 在处理新增数据时表现出明显的低效。当引入与法律数据集规模相当的新数据集时，GraphRAG 需要解构现有的社区结构，以便整合新的实体和关系，然后重新构建完整的结构。这一过程导致每个社区的开销接近 5,000 个 token。考虑到有 1,399 个社区，GraphRAG 的总消耗将达到约 1,399 × 2 × 5,000 个 token，以重建既有的和新增的社区报告，这一消耗极为庞大，凸显了其低效性。相比之下，LightRAG 能够将新提取的实体和关系无缝整合进现有的图结构中，省去了全面重构的需求。这一方法显著降低了增量更新过程中的开销，展现出其卓越的效率和成本效益。
粤ICP备14082021号
免费POC，
零成本试错
