LightRAG：降低 GraphRAG 落地门槛的轻量级检索增强生成框架

背景与问题

现有的检索增强生成（RAG）系统在实际应用中存在显著的局限性。传统的 RAG 主要依赖于平面数据表示（如向量数据库中的文本块），缺乏足够的上下文感知能力。这种扁平化的检索方式往往导致答案碎片化，无法有效捕捉文档中复杂的相互依赖关系和多跳推理需求。当用户查询涉及实体间的深层关联时，基于纯向量的检索容易丢失关键的结构化信息。

为了解决这些挑战，业界提出了 LightRAG。这是一个创新的框架，它将图结构整合到文本索引和检索过程中。LightRAG 旨在保留图检索增强生成的优势同时，大幅降低其计算复杂度和部署门槛。该框架采用了双层检索系统，从低层次（局部）和高层次（全局）的知识发现中增强了全面信息检索能力，显著提高了响应时间，同时保持了上下文的相关性。

LightRAG 架构详解

LightRAG 的核心在于构建一个轻量级的知识图谱，并将其与向量检索相结合。整体架构流程可以分为图基文本索引、双层检索范式以及检索增强答案生成三个主要阶段。

1. 图基文本索引（Graph-Based Text Indexing）

在索引阶段，LightRAG 利用大型语言模型（LLM）将非结构化文本转化为结构化的图数据。

步骤 1：实体和关系提取 使用 LLM 对文档进行分析，识别出文本中的关键实体（如人名、地点、组织、概念等）以及它们之间的关系（如'属于'、'位于'、'影响'等）。为了提高处理效率，文档首先会被分割成多个小块（chunks）。
步骤 2：LLM Profiling 生成键值对 对于每个识别出的实体和关系，使用 LLM 生成一个键值对（key-value pair）。其中键（key）是一个或多个关键词，用于快速索引；值（value）是与实体或关系相关的详细文本段落描述。这一步骤确保了图节点不仅包含标识符，还包含丰富的语义信息。
步骤 3：去重优化 通过去重（Deduplication）过程，合并来自不同文档块中的相同实体和关系。这减少了图操作的开销，避免了冗余数据的存储，使知识图谱更加紧凑高效。

2. 双层检索范式（Dual-Level Retrieval Paradigm）

LightRAG 引入了独特的双层检索机制，以平衡检索的全面性和精确性。

步骤 4：生成查询关键词 对于给定的用户查询，系统会提取局部（low-level）和全局（high-level）关键词。局部关键词关注具体的实体匹配，而全局关键词则捕捉查询的整体意图和宏观主题。
步骤 5：关键词匹配 使用向量数据库分别匹配局部关键词与候选实体，以及全局关键词与全局关键词关联的关系。这种混合匹配策略能够同时定位细粒度的信息和宏观的上下文。
步骤 6：整合高阶相关性 为了增强查询的相关性，LightRAG 会收集检索到的图元素的邻接节点。这涉及到检索节点和边的一跳邻接节点（即直接相连的实体），从而获取更丰富的上下文信息，支持多跳推理。

3. 检索增强答案生成

步骤 7：使用检索到的信息 利用检索到的信息（包括实体和关系的值），通过通用的 LLM 生成初步答案。此时输入给 LLM 的数据已经过结构化处理，包含实体、关系和相应的文本块。
步骤 8：上下文整合与答案生成 将用户查询与多源文本合并，LLM 生成符合查询意图的信息性答案。由于输入包含了图结构提供的逻辑关系，生成的回答通常比传统 RAG 更具连贯性和准确性。

4. 增量知识库的快速适应

步骤 9：增量更新知识库 当有新文档加入时，使用与之前相同的图基索引步骤处理新文档，生成新的知识图谱数据。然后将新知识图谱数据与原有知识图谱合并，实现新数据的无缝整合。
避免重建整个索引图，仅针对新增部分进行索引和合并，大大减少了计算开销，实现新数据的快速整合。这使得 LightRAG 非常适合动态变化的数据环境。