检索增强生成（Retrieval-Augmented Generation, RAG）已经成为提升大型语言模型（LLMs）能力的重要方法之一，通过整合外部知识，显著改善了生成内容的质量和相关性。

RAG 的局限性

传统的 RAG 系统虽然表现优异，但其局限性也不容忽视：

数据结构扁平化 传统 RAG 系统往往依赖扁平化的数据结构，难以捕捉信息之间的复杂关系。这种缺陷导致生成的答案片段化，缺乏上下文的一致性。

有限的上下文意识 系统在处理需要综合多个数据点的复杂问题时表现不佳，生成的答案缺乏对数据间相互关联的全面理解。

GraphRAG的局限性

GraphRAG 通过使用 知识图谱 对文本中的实体和关系进行结构化建模，从而能够捕捉信息间的复杂关联。GraphRAG 首先在整个私有数据集上创建实体和关系的引用，随后采用自底向上的聚类方法，将数据层次化地组织为语义簇。然而，当数据集中加入新的知识时，GraphRAG 必须重新执行整个图构建流程。这种方式对于动态更新的数据集来说效率低下且成本高昂。

资源需求高：需要大量 API 调用（通常依赖昂贵的模型如 GPT-4o）。

数据更新昂贵：每次更新数据时，必须重建整个图谱。

LightRAG的创新点

相比之下，LightRAG 的增量更新机制大大简化了流程。它通过简单的 联合操作（union operation），将新的图节点和边直接添加到现有图谱中。这种方式避免了重复构建图谱的高昂开销，同时确保知识库实时更新，适应动态数据需求。

LightRAG

LightRAG 的核心卖点在于 基于图的索引 和 双层检索框架。以下是对这两个关键功能的深入解析：

Graph-based Indexing 基于图的索引

以下是 LightRAG 进行基于图索引的步骤：

实体与关系（ER）提取 实体与关系提取由图中的 R(.) 表示。此步骤确保从给定文档中首先提取简单的实体。例如，在上图的示例中，“蜜蜂”（bees）和“养蜂人”（beekeeper）是两个实体，它们通过“观察”（observe）关系相关联，即养蜂人观察蜜蜂。

使用 LLM 生成键值（KV）对 使用简单的 LLM 生成键值对。LLM 的分析步骤为实体或关系提供了简要的说明或解释。例如，在所选示例中，LLM 解释了“养蜂人”是谁。此步骤在图中由 P(.) 表示。需要注意的是，此 LLM 不同于主 RAG 流程中使用的通用 LLM。

去重 鉴于文档内容与蜜蜂相关，实体“养蜂人”可能从多个文档或文本块中被多次提取。因此，需要一个去重步骤，仅保留一个具有相同含义的实体，丢弃其他重复项。此步骤在图中由 D(.) 表示。

Dual-level Retrieval 双层检索框架

对 RAG 系统的查询可以分为两种类型——具体的或抽象的。在同样的蜜蜂示例中，具体查询可能是：“一个蜂巢中可以有多少只蜂王？” 抽象查询可能是：“气候变化对蜜蜂有哪些影响？” 为了应对这种多样性，LightRAG 采用了两种检索方式：

低层检索：简单地提取精确的实体及其关系，如蜜蜂（bees）、观察（observe）和养蜂人（beekeepers）。

高层检索：通过使用 LLM，LightRAG 聚合信息并总结多个信息来源。

架构意义

进行这些操作并切换到 LightRAG 的确能改进执行时间。在索引过程中，每个文本块只需调用一次 LLM 来提取实体及其关系。

同样，在用户查询时，仅使用与索引相同的 LLM 从文本块中检索实体和关系。这大大减少了检索的开销，从而降低了计算成本。因此，最终拥有了一个“轻量”的 RAG！

将新知识整合到现有图谱中看起来是一个无缝的操作。与其在有新信息时重新索引整个数据，可以简单地将新知识附加到现有图谱中。

评估

评估中，LightRAG 与 Naive RAG、RQ-RAG、HyDE 和 GraphRAG 进行了比较。为了保持比较的公平性，统一使用了 GPT-4o-mini 作为 LLM，并在所有数据集上采用固定的分块大小（1200）。答案的评估标准包括全面性、多样性以及回答用户问题的有效性。

正如下划线结果所示，LightRAG 超越了当前所有最先进的方法。

总体而言，得出了以下结论：

使用基于图的方法（如 GraphRAG 或 LightRAG）相比基础的 Naive RAG 有显著改进。

LightRAG 通过双层检索范式生成了相当多样化的答案。

LightRAG 能够更好地处理复杂查询。

结论

尽管 RAG 是一种相对较新的技术，但这一领域正在快速发展。像 LightRAG 这样的技术可以将 RAG 流程引入廉价的通用硬件，这是非常受欢迎的。尽管硬件领域不断进步，但始终需要在计算受限的硬件上实时运行 LLM 和 RAG 流程。