LightRAG：简单高效的检索增强生成框架

Papers with Code Trending 论文
retrieval-augmented-generation graph-structures open-source large-language-models information-retrieval ai-research

摘要

本文介绍了 LightRAG，这是一个开源框架，通过整合图结构来提升检索增强生成（RAG）的上下文感知能力与信息检索效率。

检索增强生成（RAG）系统通过整合外部知识源来增强大型语言模型（LLMs）的能力，使其能够生成更准确且与上下文高度相关的响应，从而更好地满足用户需求。然而，现有的 RAG 系统存在显著局限性，包括过度依赖扁平化的数据表示以及上下文感知能力不足，这可能导致生成的回答碎片化，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，该系统将图结构融入文本索引和检索流程中。这一创新框架采用双层检索机制，从低层到高层的知识发现层面全面增强信息检索能力。此外，图结构与向量表示的结合促进了相关实体及其关系的 efficient 检索，在保持上下文相关性的同时显著提升了响应速度。增量更新算法的引入进一步强化了这一能力，确保新数据能够及时整合，使系统在数据快速变化的环境中依然保持高效和灵敏。广泛的实验验证表明，与现有方法相比，LightRAG 在检索准确性和效率方面取得了显著提升。我们已将 LightRAG 开源，可通过以下链接获取：https://github.com/HKUDS/LightRAG。
查看原文
查看缓存全文

缓存时间: 2026/05/08 08:50

论文页面 - LightRAG: 简单快速的检索增强生成

来源: https://huggingface.co/papers/2410.05779

摘要

LightRAG 通过集成图结构来增强上下文感知能力和高效的信息检索，从而改进检索增强生成（Retrieval-Augmented Generation），实现了更高的准确性和更快的响应时间。

检索增强生成（RAG）系统通过整合外部知识来源来增强大型语言模型（LLMs），从而能够提供更准确且符合语境的响应，以满足用户需求。然而，现有的 RAG 系统存在显著局限性，包括依赖扁平化的数据表示以及缺乏足够的上下文感知能力，这可能导致生成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，它将图结构整合到文本索引和检索流程中。这一创新框架采用双层检索系统，增强了从低级别到高级别的全面信息检索能力。此外，图结构与向量表示的集成促进了相关实体及其关系的高效检索，在保持上下文相关性的同时显著提升了响应速度。这一能力还通过增量更新算法得到进一步增强，确保新数据能够及时集成，使系统在快速变化的数据环境中保持高效和响应性。广泛的实验验证表明，与现有方法相比，LightRAG 在检索准确性和效率方面取得了显著改进。我们已将 LightRAG 开源，链接如下: https://github.com/HKUDS/LightRAG。

查看 arXiv 页面 (https://arxiv.org/abs/2410.05779)查看 PDF (https://arxiv.org/pdf/2410.05779)GitHub34.9kstars (https://github.com/hkuds/lightrag)添加到收藏集 (https://huggingface.co/login?next=%2Fpapers%2F2410.05779)

社区

通过拖拽、粘贴或点击此处上传图片、音频和视频。

点击或粘贴此处上传图片

在您的智能体中获取此论文：

hf papers read 2410.05779

没有安装最新 CLI？运行以下命令： curl -LsSf https://hf.co/cli/install.sh | bash

引用此论文的模型 4

muthuk1/graphrag-inference-hackathon (https://huggingface.co/muthuk1/graphrag-inference-hackathon)

atad-tokyo/GST_LIVING_NOVEL 更新于1月22日 (https://huggingface.co/atad-tokyo/GST_LIVING_NOVEL)

Neha12210/project2-advanced-rag 更新于14天前 (https://huggingface.co/Neha12210/project2-advanced-rag)

heyingyue/scholarmind-architecture 更新于2天前 (https://huggingface.co/heyingyue/scholarmind-architecture)

引用此论文的数据集 0

暂无数据集链接此论文

在数据集的 README.md 中引用 arxiv.org/abs/2410.05779 即可在此页面建立链接。

引用此论文的应用空间 1

包含此论文的收藏集 25

浏览包含此论文的 25 个收藏集 (https://huggingface.co/collections?paper=2410.05779)

相似文章

HKUDS/RAG-Anything

GitHub Trending (daily)

HKUDS 发布 RAG-Anything：基于 LightRAG 的开源一站式多模态检索增强生成框架。

ContextRAG：面向检索增强生成的无抽取层次图构建

arXiv cs.CL

ContextRAG引入了一种无抽取方法，用于构建面向检索增强生成的层次图索引。该方法利用残差量化K均值（Residual-Quantization K-Means）和形式概念分析（Formal Concept Analysis），将大语言模型（LLM）调用和Token数量减少数个数量级，同时在多跳问题上保持具有竞争力的F1分数。