?在這個信息爆炸的時代，我們每天都被大量的數(shù)據(jù)和信息所包圍。對于企業(yè)和研究人員來說，如何從這海量的信息中迅速地找到自己需要的針對性數(shù)據(jù)，已經(jīng)成為了一個亟待解決的問題。幸運的是，香港大學的研究團隊最近推出的LightRAG系統(tǒng)，為我們提供了一個新的解決方案。

LightRAG系統(tǒng)是基于RAG（Retrieval-Augmented Generation）的開源技術，它通過引入先進的雙層檢索范式和基于圖的數(shù)據(jù)結構，大大提升了信息檢索的全面性和效率。更為重要的是，它能夠快速適應新數(shù)據(jù)，這在今天這個信息快速更新?lián)Q代的時代尤為關鍵。

核心創(chuàng)新：基于圖的數(shù)據(jù)結構

與傳統(tǒng)的RAG系統(tǒng)相比，LightRAG的一個顯著優(yōu)勢在于其基于圖的數(shù)據(jù)結構。這種結構能夠有效地捕捉數(shù)據(jù)中實體之間的復雜關系，從而使檢索結果更加精確。舉個例子，在醫(yī)學領域，LightRAG能夠識別“心臟病”與“心內科醫(yī)生”之間的關系，這種精準度是傳統(tǒng)方法難以實現(xiàn)的。

LightRAG 增強了分段檢索系統(tǒng) 將文檔轉換為更小、更易于管理的片段。此策略允許快速 識別和訪問相關 信息，而無需分析整個文檔。接下來，我們利用LLMs 來識別和 提取各種實體（例如 名稱、日期、位置和事件）以及它們之間的關系。這通過此收集的信息進程將用于創(chuàng)建一個全面的知識圖譜，該圖譜突出顯示跨整個文檔集合?；趫D形的文本索引中使用的函數(shù) paradigm 的描述如下：

高效與經(jīng)濟兼?zhèn)?/h2>

在檢索效率和資源消耗上，LightRAG同樣表現(xiàn)出色。它通過減少不必要的計算和API調用，有效應對大量的信息查詢請求，同時保持資源使用的經(jīng)濟性。在實際應用場景中，這意味著LightRAG能夠快速更新并保持高效，即使是在資源受限的情況下也能夠穩(wěn)定運行。

靈活適應動態(tài)數(shù)據(jù)

LightRAG的設計還巧妙地解決了如何適應快速變化的外部數(shù)據(jù)庫的問題。通過增量更新機制，系統(tǒng)只需對新增數(shù)據(jù)進行索引和合并，避免了對整個數(shù)據(jù)庫的重新處理。這一策略不僅提升了系統(tǒng)的靈活性，也使得LightRAG能夠在各種動態(tài)環(huán)境中穩(wěn)定運行。

實驗驗證：超越現(xiàn)有模型

研究團隊對LightRAG進行了詳盡的實驗評估，結果顯示，在全面性和多樣性等多個維度上，LightRAG顯著優(yōu)于目前主流的RAG模型。這一結果不僅驗證了圖結構在信息檢索中的有效性，也為未來開發(fā)更多強大的AI模型提供了有力的參考。

簡單嘗鮮

安裝

源碼安裝（推薦）：

cd LightRAG
pip install -e .

通過PyPI安裝：

pip install lightrag-hku

準備工作

因為我使用的是OpenAI, 所以設置對應的環(huán)境變量export OPENAI_API_KEY="sk-..."，

這里我的測試集用的是西游記的節(jié)選，地址是：https://libart.lyu.edu.cn/2010/1202/c1449a24647/page.htm

樣例代碼

lightrag目前支持4種查詢模式：

1. naive
2. local
3. global
4. hybrid

import os
from lightrag import LightRAG, QueryParam
from lightrag.llm import gpt_4o_mini_complete, gpt_4o_complete

#########
# Uncomment the below two lines if running in a jupyter notebook to handle the async nature of rag.insert()
# import nest_asyncio 
# nest_asyncio.apply() 
#########

WORKING_DIR = "./books"


if not os.path.exists(WORKING_DIR):
    os.mkdir(WORKING_DIR)

rag = LightRAG(
    working_dir=WORKING_DIR,
    llm_model_func=gpt_4o_mini_complete  # Use gpt_4o_mini_complete LLM model
    # llm_model_func=gpt_4o_complete  # Optionally, use a stronger model
)

with open("./book.txt") as f:
    rag.insert(f.read())

# Perform naive search
print(rag.query("What are the top themes in this story?", param=QueryParam(mode="naive")))

# Perform local search
print(rag.query("What are the top themes in this story?", param=QueryParam(mode="local")))

# Perform global search
print(rag.query("What are the top themes in this story?", param=QueryParam(mode="global")))

# Perform hybrid search
print(rag.query("What are the top themes in this story?", param=QueryParam(mode="hybrid")))

當然，你也可以選擇本地model, 比如使用Hugging Face的模型：

from lightrag.llm import hf_model_complete, hf_embedding
from transformers import AutoModel, AutoTokenizer

# Initialize LightRAG with Hugging Face model
rag = LightRAG(
    working_dir=WORKING_DIR,
    llm_model_func=hf_model_complete,  # Use Hugging Face model for text generation
    llm_model_name='meta-llama/Llama-3.1-8B-Instruct',  # Model name from Hugging Face
    # Use Hugging Face embedding function
    embedding_func=EmbeddingFunc(
        embedding_dim=384,
        max_token_size=5000,
        func=lambda texts: hf_embedding(
            texts,
            tokenizer=AutoTokenizer.from_pretrained("sentence-transformers/all-MiniLM-L6-v2"),
            embed_model=AutoModel.from_pretrained("sentence-transformers/all-MiniLM-L6-v2")
        )
    ),
)

或者使用Ollama模型：

from lightrag.llm import ollama_model_complete, ollama_embedding

# Initialize LightRAG with Ollama model
rag = LightRAG(
    working_dir=WORKING_DIR,
    llm_model_func=ollama_model_complete,  # Use Ollama model for text generation
    llm_model_name='your_model_name', # Your model name
    # Use Ollama embedding function
    embedding_func=EmbeddingFunc(
        embedding_dim=768,
        max_token_size=8192,
        func=lambda texts: ollama_embedding(
            texts,
            embed_model="nomic-embed-text"
        )
    ),
)

LightRAG的優(yōu)缺點

1、解決的問題：

• 全面信息理解：通過多跳子圖的全局信息提取，能在多領域復雜查詢中表現(xiàn)出色。
• 檢索效率高：相比傳統(tǒng)文本分塊遍歷方法，利用圖和向量的集成，大幅減少檢索時間和計算開銷。
• ?快速適應新信息：增量更新算法使系統(tǒng)能及時整合新數(shù)據(jù)，保持實時性和有效性。

2、缺點：

• 檢索方式：無法自動判斷query為細節(jié)問題或抽象性問題，只有使用LLM才能做出自動化判斷。

3、與GraphRAG的不同點：

• 架構設計：LightRAG專注于圖結構的向量化實現(xiàn)，避免了GraphRAG的社區(qū)遍歷。
• 檢索方式：LightRAG采用雙層檢索框架，通過向量化的關鍵詞匹配，實現(xiàn)局部和全局信息的高效整合，降低了計算和存儲開銷。

總結

LightRAG和GraphRAG都利用圖結構來增強RAG的效果，但它們在實現(xiàn)方式、檢索策略和適用場景上有顯著差異。GraphRAG采用模塊化社區(qū)結構和分層回答策略，更適合于全局性理解和多層次的復雜問題分析；而LightRAG則側重于向量化圖索引和增量更新機制，適用于高效、動態(tài)的數(shù)據(jù)環(huán)境。用戶可以根據(jù)具體的應用需求選擇合適的架構，以實現(xiàn)最優(yōu)的檢索和回答效果。

在實驗中，微軟開源的GraphRAG表現(xiàn)出較低的效率，正如論文中所提到的，它需要大量資源，難以支持大型知識庫的工程應用，且檢索速度較慢。而LightRAG的資源消耗較少，檢索效率相對更高，盡管兩者的檢索效果可能相差不大，但LightRAG在實際工程中更具實用性。

但是個人覺得，RAG在實際應用中仍需根據(jù)情況不斷優(yōu)化，完全依賴LightRAG也存在局限性。關鍵在于借鑒LightRAG的優(yōu)化思路，并將其靈活應用于實際場景。

?

本文轉載自公眾號AI 博物院 作者：longyunfeigu

原文鏈接：??https://mp.weixin.qq.com/s/bBvpYlRlPXJcLxEwxcnXcg???