Type something to search...
LightRAG - GraphRAG 简单高效的竞争对手?

LightRAG - GraphRAG 简单高效的竞争对手?

传统的 RAG 系统通过索引原始数据来工作。这些数据被简单地切分并存储在向量数据库中。每当用户发出查询时,它会查询存储的片段并 检索 相关片段。如果您希望了解 RAG 的基本原理,我已经在 这里 写了一篇全面的介绍。

由于检索步骤针对用户的每一个查询都会发生,因此这是加速简单 RAG 系统的最关键瓶颈。让检索过程变得超级高效难道不是合乎逻辑的吗?这就是 LightRAG 的承诺。

如果您不是会员,您可以在 这里 免费阅读此内容。为什么不在那里订阅并将这些内容直接发送到您的收件箱呢?

为什么不使用 GraphRAG

在我们查看它们之前,你可能会问:“等一下。我们不是有微软的 GraphRAG 吗?”是的,但 GraphRAG 似乎有几个缺点。

  • 增量知识更新。 (sec 3.1) GraphRAG 首先在整个私有数据集中创建对实体和关系的引用。然后,它通过自下而上的聚类将数据层次化组织成语义集群。对数据集进行新知识的更新意味着我们必须重新经历构建图的整个过程!而 LightRAG 则通过简单地将新知识附加到现有知识上来解决这个问题。更具体地说,它通过简单的并集操作将新的图节点和边与现有的结合在一起。
  • 计算强度。 从他们的研究中可以看出,LightRAG 显著降低了检索阶段的成本。GraphRAG 需要 610,000 个标记,而 LightRAG 则少于 100 个标记。

所以不再赘述,让我们深入了解 LightRAG。

LightRAG

LightRAG的两个主要卖点是基于图的索引和双层检索框架。让我们逐一了解它们。

基于图的索引

以下是LightRAG遵循的步骤,以实现基于图的索引。

  • 实体和关系(ER)提取。 ER提取在上图中用R(.)表示。此步骤确保首先从给定文档中提取简单实体。例如,在上述示例中,“蜜蜂”和“养蜂人”是两个实体。它们通过“观察”关系相关联。即,养蜂人观察蜜蜂。
  • 使用LLM生成键值(KV)对。 然后使用简单的LLM生成KV对。LLM分析步骤提供了关于实体或关系的简要说明或解释。例如,LLM解释了在我们选择的示例中“养蜂人”是谁。此步骤在上图中用P(.)表示。请注意,这个LLM与主RAG管道中使用的通用LLM不同。
  • 去重。 鉴于这些文档与蜜蜂有关,实体“养蜂人”可能是从多个文档或片段中检索到的。因此,我们需要一个去重步骤,仅保留一个并丢弃其余具有相同含义的内容。这在上图中用D(.)表示。

双层检索

对RAG系统的查询可以分为两种类型——具体查询或抽象查询。在同一个蜜蜂的例子中,具体查询可以是“蜂巢中可以有多少只蜂后?”抽象查询可以是“气候变化对蜜蜂的影响是什么?”为了应对这种多样性,LightRAG采用了两种检索类型:

  • 低层检索。 它简单地提取精确的实体及其关系,如蜜蜂、观察和养蜂人。
  • 高层检索。 通过使用LLM,LightRAG汇总信息并总结多个信息来源。

为什么要做这些?

进行所有这些练习并切换到 LightRAG 确实提高了执行时间。在索引过程中,LLM 每个块只需调用一次以提取实体及其关系。

同样,在用户查询期间,我们只需使用用于索引的相同 LLM 从块中检索实体和关系。这在检索开销和计算上节省了大量成本。因此,我们终于有了一个“轻量级”的 RAG!

将新知识整合到现有图中似乎是一个无缝的过程。每当我们有新信息时,不必重新索引整个数据,我们可以简单地将新知识附加到现有图中。

评估

在他们的评估中,他们与 Naive RAG、RQ-RAG、HyDE 和 GraphRAG 进行了比较。为了保持比较的公平性,他们在所有数据集上使用了固定的 1200 的块大小并且使用了 GPT-4o-mini 作为 LLM。答案的评估标准包括全面性、多样性和在回答用户问题(即论文中的 赋能)方面的有效性。

从下划线的结果中可以看出,LightRAG 超越了当前所有的最先进方法。

总体而言,他们得出了以下结论:

  • 使用基于图的方法(GraphRAG 或 LightRAG)显著改善了基线 Naive RAG
  • LightRAG 通过双层检索范式产生了相当多样的答案
  • LightRAG 能更好地处理复杂查询

结论

尽管 RAG 是一种相对较新的技术,但我们在这一领域看到了快速进展。像 LightRAG 这样的技术能够将 RAG 流水线运行在廉价的商品硬件上,受到了广泛欢迎。随着硬件环境的不断发展,实时在计算受限的硬件上运行 LLM 和 RAG 流水线的需求也在不断增加。

您想看看关于 LightRAG 的一些实践研究吗?请继续关注……

向大家致敬

希望这对你有帮助。

如果你喜欢这篇文章,为什么不在 Twitter 上关注我呢?我每天都会分享顶级AI实验室的研究更新。

同时,请订阅我的 YouTube 频道,我会以视觉方式解释AI概念和论文。

最后,请给我点赞,让我们一起庆祝你阅读完这个故事。

Related Posts

结合chatgpt-o3-mini与perplexity Deep Research的3步提示:提升论文写作质量的终极指南

结合chatgpt-o3-mini与perplexity Deep Research的3步提示:提升论文写作质量的终极指南

AI 研究报告和论文写作 合并两个系统指令以获得两个模型的最佳效果 Perplexity AI 的 Deep Research 工具提供专家级的研究报告,而 OpenAI 的 ChatGPT-o3-mini-high 擅长推理。我发现你可以将它们结合起来生成令人难以置信的论文,这些论文比任何一个模型单独撰写的都要好。你只需要将这个一次性提示复制到 **

阅读更多
让 Excel 过时的 10 种 Ai 工具:实现数据分析自动化,节省手工作业时间

让 Excel 过时的 10 种 Ai 工具:实现数据分析自动化,节省手工作业时间

Non members click here作为一名软件开发人员,多年来的一个发现总是让我感到惊讶,那就是人们还在 Excel

阅读更多
使用 ChatGPT 搜索网络功能的 10 种创意方法

使用 ChatGPT 搜索网络功能的 10 种创意方法

例如,提示和输出 你知道可以使用 ChatGPT 的“搜索网络”功能来完成许多任务,而不仅仅是基本的网络搜索吗? 对于那些不知道的人,ChatGPT 新的“搜索网络”功能提供实时信息。 截至撰写此帖时,该功能仅对使用 ChatGPT 4o 和 4o-mini 的付费会员开放。 ![](https://images.weserv.nl/?url=https://cdn-im

阅读更多
掌握Ai代理:解密Google革命性白皮书的10个关键问题解答

掌握Ai代理:解密Google革命性白皮书的10个关键问题解答

10 个常见问题解答 本文是我推出的一个名为“10 个常见问题解答”的新系列的一部分。在本系列中,我旨在通过回答关于该主题的十个最常见问题来分解复杂的概念。我的目标是使用简单的语言和相关的类比,使这些想法易于理解。 图片来自 [Solen Feyissa](https://unsplash.com/@solenfeyissa?utm_source=medium&utm_medi

阅读更多
在人工智能和技术领域保持领先地位的 10 项必学技能 📚

在人工智能和技术领域保持领先地位的 10 项必学技能 📚

在人工智能和科技这样一个动态的行业中,保持领先意味着不断提升你的技能。无论你是希望深入了解人工智能模型性能、掌握数据分析,还是希望通过人工智能转变传统领域如法律,这些课程都是你成功的捷径。以下是一个精心策划的高价值课程列表,可以助力你的职业发展,并让你始终处于创新的前沿。 1. 生成性人工智能简介课程: [生成性人工智能简介](https://genai.works

阅读更多
揭开真相!深度探悉DeepSeek AI的十大误区,您被误导了吗?

揭开真相!深度探悉DeepSeek AI的十大误区,您被误导了吗?

在AI军备竞赛中分辨事实与虚构 DeepSeek AI真的是它所宣传的游戏规则改变者,还是仅仅聪明的营销和战略炒作?👀 虽然一些人将其视为AI效率的革命性飞跃,但另一些人则认为它的成功建立在借用(甚至窃取的)创新和可疑的做法之上。传言称,DeepSeek的首席执行官在疫情期间像囤积卫生纸一样囤积Nvidia芯片——这只是冰山一角。 从其声称的550万美元培训预算到使用Open

阅读更多
Type something to search...