检索增强生成 (RAG) 方法已迅速成为构建将大型语言模型 ( LLMs ) 与外部数据的优势相结合的智能系统的重要工具。该领域的最新突破之一是LightRAG——一种先进、经济高效的 RAG 框架，利用知识图和基于向量的检索来改进文档交互。在本文中，我们将深入探讨 LightRAG、它与 GraphRAG 等方法的比较，以及如何在您的计算机上设置它。

什么是 LightRAG？

LightRAG 是一个简化的 RAG 框架，旨在通过使用知识图和嵌入来检索相关知识块来生成响应。传统的 RAG 系统通常将文档分解为独立的块，但 LightRAG 更进一步 — 它构建了连接文本中各个概念的实体关系对。

如果您听说过 Microsoft 的GraphRAG，它是一个类似的想法，但有所不同：LightRAG更快、更实惠，并且允许对图形进行增量更新，而无需完全重新生成。

为什么 LightRAG 优于传统 RAG 系统？

RAG 系统在设计上将文档分成多个片段以供检索。然而，这种方法忽略了这些片段之间的上下文关系。如果含义或上下文跨越多个块，则很难准确回答复杂的问题。 LightRAG 通过生成知识图来解决这个问题 - 绘制数据中实体之间的关系。

GraphRAG 的局限性

GraphRAG 虽然具有创新性，但却是资源密集型的。它需要数百次 API 调用，通常使用 GPT-4o 等昂贵的模型。每次更新数据时，GraphRAG 都必须重建整个图，从而增加成本。另一方面，LightRAG：

• 使用更少的 API 调用和 GPT-4-mini 等轻量级模型。

• 允许对图形进行增量更新，而无需完全重新生成。

• 支持双层检索（本地和全局），提高响应质量。

掌握新信息

在技术或新闻等快速变化的领域，过时的信息可能是一个问题。 LightRAG 通过增量更新系统解决了这个问题，这意味着每当有新内容出现时，它不必重建整个知识库。相反，它会快速动态添加新数据，因此即使在不断变化的环境中，答案也能保持相关性。

使用图表进行更快、更智能的检索

通过将图形与基于矢量的搜索（一种快速找到相关项目的奇特方式）相结合，LightRAG 确保响应不仅准确而且快速。该系统有效地组织相关的想法，其重复数据删除功能可以删除重复的信息——确保用户只得到最重要的信息。

为什么 LightRAG 很重要？

测试表明，与旧的 RAG 模型相比，LightRAG 显着提高了准确性和速度。它还可以优雅地处理新信息，这意味着您每次都能获得最新且上下文相关的答案。这使得它成为聊天机器人、个人助理和动态搜索工具等以快速、相关响应为关键的应用程序的游戏规则改变者。

LightRAG 的工作原理：工作流程分解

LightRAG 的工作流程分为两个主要阶段- 索引和检索。

1. 索引过程：创建知识图

以下是在 LightRAG 中索引数据时会发生的情况：

1. 分块：您的文档被分成更小的块。

2. 实体识别：LLM识别每个块中的实体（如人、地点或概念）。

3. 关系提取：模型确定这些实体之间的关系，生成实体关系键值对。

4. 知识图构建：这些对组合成一个图结构。删除任何重复的节点或冗余关系以优化图形。

5. 嵌入存储：将描述和关系嵌入到向量中并存储在向量数据库（例如，纳米向量）中。

Nano Vector是 LightRAG 使用的默认数据库。

2. 双层检索：涵盖细节和大局

LightRAG 使用双层检索——本地和全局查询的组合：

• 低级检索：专注于附近的节点（例如，连接到单个实体的关系）以回答精确的查询。这会提取出精确的细节——比如有关电动汽车或法规的具体统计数据。

• 高级检索：识别整个图表的总体主题和联系。这侧重于更广泛的主题，例如环境趋势或城市交通的未来。

这种两层搜索可确保系统提供全面的答案，包括事实及其背后的背景。

如何使用 openai 和本地设置 LightRAG：分步指南

对于 Openai 型号：

第 1 步：克隆存储库

首先，克隆 LightRAG GitHub 存储库：

git clone https://github.com/HKUDS/LightRAG.git
cd LightRAG

# Or Install from PyPI
pip install lightrag-hku

第2步：设置虚拟环境

建议使用conda或virtualenv来隔离项目依赖项：

conda create -n lightrag python=3.12
conda activate lightrag

第三步：安装依赖项

使用以下命令安装所需的软件包：

pip install -e .

第 4 步：对数据建立索引并运行查询

对于此演示，我们将索引查尔斯·狄更斯的“圣诞颂歌”：

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 = "./dickens"


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")))

模式：

• naive：标准 RAG

• local：基于实体邻域的检索

• global：更广泛的全球实体关系

• hybrid：结合本地和全局模式

我想使用免费和私有模型运行，该怎么做？

您可以使用 ollama 模型来实现此目的，如下面的代码所示。

import os

from lightrag import LightRAG, QueryParam
from lightrag.llm import ollama_model_complete, ollama_embedding
from lightrag.utils import EmbeddingFunc

WORKING_DIR = "./dickens"

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

rag = LightRAG(
working_dir=WORKING_DIR,
llm_model_func=ollama_model_complete,
llm_model_name="your_model_name",
embedding_func=EmbeddingFunc(
embedding_dim=768,
max_token_size=8192,
func=lambda texts: ollama_embedding(texts, embed_model="nomic-embed-text"),
),
)


with open("./book.txt", "r", encoding="utf-8") 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"))
)

LightRAG 的关键用例

LightRAG 在处理复杂文档或需要基于实体的分析的行业中特别有用。以下是一些示例：

1. 法律研究：提取法律、案例和先例之间的关系。

2. 医疗保健：分析患者数据、症状和治疗，以揭示医学见解。

3. 农业：组织和检索有关农作物、土壤类型和天气模式的信息。

结论：为什么选择 LightRAG？

LightRAG 代表了检索增强生成的下一步，以轻量级、经济实惠的方式提供知识图集成和基于向量的检索。凭借增量更新、双层检索以及使用本地或更小模型的能力，它在实用性和成本效益方面优于 GraphRAG。无论您是处理大型数据集还是需要生成智能的、上下文感知的响应，LightRAG 都能提供强大的开源解决方案。