LightRAG：簡單快速的圖形檢索增強生成框架

LightRAG 是香港大學 (HKU) 的一項研究專案，重新想像了使用知識圖譜的檢索增強生成（RAG）。該專案已被 EMNLP 2025 收錄，以基於圖形的架構取代傳統的平面向量儲存方法，從文件中提取實體及其關係，為 LLM 應用提供顯著更好的上下文理解。

傳統 RAG 系統透過嵌入相似度檢索孤立文件片段，而 LightRAG 則從你的文件建立結構化的知識圖譜——實體成為節點，關係成為邊。當查詢送達時，它會在圖形中執行雙層檢索：低層級檢索用於具體事實答案，高層級檢索用於更廣泛的主題摘要。結果是檢索不僅理解哪些詞語一起出現，還理解概念之間實際的關聯方式。

該專案不僅因其創新方法，也因其實用性而獲得了開源社群的廣泛關注。程式碼庫輕量、文件完善，並包含增量更新（新增文件時無需完整重建）、互動式圖形視覺化及多種後端支援（OpenAI、Ollama、Hugging Face）等功能。

儲存庫：github.com/HKUDS/LightRAG

LightRAG 的圖形檢索是如何運作的？

傳統 RAG 將文件編碼為平面向量，並透過餘弦相似度檢索片段——這個過程從根本上受限，因為它不了解片段之間的相互關係。LightRAG 透過在索引階段建構知識圖譜來解決此問題。

graph TD
    A[輸入文件] --> B[實體提取]
    A --> C[關係提取]
    B --> D[知識圖譜建構]
    C --> D
    D --> E[社群檢測]
    D --> F[實體嵌入]
    D --> G[關係嵌入]
    E --> H[高層級檢索\n摘要]
    F --> I[低層級檢索\n具體事實]
    G --> I
    H --> J[聚合答案]
    I --> J
    J --> K[LLM 回應]

該管線分三個階段運作：

1. 圖形建構：處理文件以提取實體（人物、公司、概念）及其關係。這些形成儲存為結構化資料的有向圖。
2. 社群檢測：使用層次聚類將圖形分割為相關實體的社群。每個社群生成一個摘要嵌入，用於高層級檢索。
3. 雙層檢索：查詢同時與實體層級和社群層級的嵌入進行匹配，然後將檢索到的圖形上下文提供給 LLM 進行答案生成。

這種架構產生的答案反映了知識的實際結構，而非任意的文件邊界。

雙層檢索有哪些優勢？

雙層設計是 LightRAG 的決定性創新。要理解其重要性，請考慮兩種類型的問題：

關鍵在於圖形自然捕捉關係，這是平面向量儲存無法做到的。雙層檢索讓 LightRAG 能自動為每個查詢選擇適當的粒度——這是傳統 RAG 系統需要手動設定才能實現的功能。

主要功能規格有哪些？

增量更新是如何運作的？

LightRAG 最實用的功能之一，是支援無需重建整個圖形的增量知識庫更新。這對於資料持續變化的實際部署至關重要。

flowchart LR
    A[新文件] --> B[提取實體\n與關係]
    B --> C{實體是否存在於\n圖形中？}
    C -->|是| D[新增關係\n與邊]
    C -->|否| E[建立新的\n實體節點]
    D --> F[更新社群\n檢測]
    E --> F
    F --> G[重新計算\n受影響的嵌入]
    G --> H[更新檢索\n索引]
    H --> I[準備好查詢]

增量更新過程效率高，因為它只處理新文件的實體與關係，將其合併到現有圖形結構中，並僅重新計算受影響節點和社群的嵌入。這避免了完整圖形重建的 O(n) 成本，使 LightRAG 非常適合持續成長的知識庫。

LightRAG 支援哪些後端？

LightRAG 的後端抽象意味著你可以先用 OpenAI 進行原型設計，然後在生產環境中切換到 Ollama 的本機模型——或者執行混合模式，嵌入在本機進行而生成使用雲端。

如何安裝與使用 LightRAG

透過 pip 安裝非常簡單：

pip install lightrag-hku

基本使用只需幾行 Python：

from lightrag import LightRAG, QueryMode

rag = LightRAG(workspace_dir="./my_knowledge_base")

# 插入文件
rag.insert("Apple 在 2020 年收購了新創公司 X 以擴展其 AI 能力。")
rag.insert("Google 在 2023 年推出了 Gemini 模型，與 GPT-4 競爭。")

# 使用雙層檢索進行查詢
answer = rag.query("Apple 的收購策略是什麼？",
                   mode=QueryMode.HYBRID)

# 低層級查詢具體事實
fact = rag.query("Apple 在 2020 年收購了什麼？",
                 mode=QueryMode.LOCAL)

該系統還支援從檔案批次插入文件、自訂嵌入設定，以及與現有文件管線整合。

常見問題

什麼是 LightRAG？它與傳統 RAG 有何不同？ LightRAG 是香港大學的 EMNLP 2025 研究專案，以知識圖譜方法取代平面向量資料庫檢索。與傳統 RAG 透過嵌入相似度檢索文件片段不同，LightRAG 從文件中提取實體與關係到圖形結構中，實現雙層檢索（低層級針對特定事實，高層級針對全局摘要）。

LightRAG 的雙層檢索是如何運作的？ LightRAG 的雙層檢索以兩種粒度運作。低層級檢索查找具體的實體關係，而高層級檢索捕捉更廣泛的摘要。基於圖形的方法會根據查詢自動決定適當的層級，無需手動設定。

LightRAG 支援知識庫的增量更新嗎？ 是的，LightRAG 透過部分圖形重構支援增量知識庫更新。當新增文件時，LightRAG 會提取實體與關係，將其合併到現有圖形中而無需完整重建，僅更新受影響節點的嵌入。

LightRAG 提供哪些圖形視覺化功能？ LightRAG 提供互動式圖形視覺化，以節點顯示實體、以邊顯示關係，並按社群叢集進行顏色編碼。使用者可以探索知識圖譜、點擊實體查看詳細上下文、追蹤關係路徑，以及視覺化檢查檢索結果的關聯方式。

LightRAG 支援哪些後端與 API？ LightRAG 支援多種 LLM 後端，包括 OpenAI、Ollama、Hugging Face 及自訂端點。它提供 Python API 和 RESTful API 供外部應用程式整合。

延伸閱讀

• LightRAG GitHub 儲存庫 – 官方原始碼、文件與範例
• LightRAG 研究論文 (EMNLP 2025) – 描述架構與評估的學術論文
• Microsoft Graph RAG – 另一種具有不同設計取捨的圖形 RAG 方法
• Neo4j 圖形資料庫 – 可作為 LightRAG 儲存後端的圖形資料庫平台
• Ollama 本機 LLM – 在本機執行 LLM，實現完全私密的 LightRAG 部署