LightRAG: Simple and Fast Retrieval-Augmented Generation

检索增强生成（RAG）系统通过整合外部知识源，增强大型语言模型（LLM），使其能够更准确、更符合上下文的响应用户需求。然而，现有的RAG系统存在显著限制，包括依赖于扁平数据表示和不足的上下文感知能力，可能导致片段化的答案，无法捕捉复杂的相互依赖关系。为了解决这些挑战，我们提出了LightRAG，将图形结构融入文本索引和检索过程中。这种创新的框架采用双层检索系统，增强了从低层次和高层次知识发现的综合信息检索。此外，图形结构与向量表示的集成有助于高效检索相关实体及其关系，显著提高响应时间，同时保持上下文相关性。这种能力通过增量更新算法进一步增强，确保及时整合新数据，使系统能够在快速变化的数据环境中保持有效和响应。广泛的实验验证证明，与现有方法相比，检索准确性和效率都有显著提高。我们已经将LightRAG开源并提供链接：https://github.com/HKUDS/LightRAG。

LightRAG试图解决RAG系统的局限性，包括对扁平数据表示的依赖和不足的上下文意识，这可能导致无法捕捉复杂的相互依赖关系。

LightRAG将图结构集成到文本索引和检索过程中，采用双层检索系统，增强了从低级别和高级别知识发现的全面信息检索。此外，将图结构与向量表示相结合，有助于高效检索相关实体及其关系，显著提高响应速度同时保持上下文相关性。

LightRAG的亮点包括增量更新算法，确保及时整合新数据，使系统能够在快速变化的数据环境中保持有效和响应性。实验结果表明，与现有方法相比，在检索准确性和效率方面有显著改进。LightRAG已经开源，并且可以在https://github.com/HKUDS/LightRAG上获得。

最近的相关研究包括RAG系统和其他基于知识图谱的自然语言处理方法，例如KGLearn和K-BERT。