LightRAG：创新双级检索系统，整合图形结构，实现更强大信息检索！

本文链接：https://blog.csdn.net/2401_85373396/article/details/143146422

检索增强生成（RAG）系统通过集成外部知识源，提升了大型语言模型（LLMs）的准确性和上下文相关性。然而，现有的RAG方法仍存在明显的不足，包括对平面数据表示的依赖和对复杂上下文的处理能力不足，这常常导致回答碎片化，无法捕捉信息之间的深层关系。

为了解决这些问题，我们推出了LightRAG。这一创新框架将图形结构引入文本索引和信息检索过程，采用双级检索系统，提升了从低级和高级知识发现中获取综合信息的能力。图形结构与向量表示的结合，不仅优化了检索效率，还支持对相关实体及其关系的精确搜索，显著缩短响应时间，并保持强烈的上下文关联性。增量更新算法的集成，确保了系统在动态数据环境中的敏捷性和时效性。

在实际应用中，LightRAG可以通过两个层级的检索策略应对各种复杂查询需求：第一层级关注具体实体及其关系的精准信息检索，第二层级覆盖更广泛的主题范围。这种结合细节与整体的检索方式，保证了用户获取的回答更贴合实际需求，信息更连贯。

此外，图结构的整合使得LightRAG能够识别信息间的复杂相互依赖性，将原本可能分散的答案编织成逻辑严谨的响应。广泛的实验结果表明，LightRAG在检索准确性和响应速度上均优于现有系统。代码已开源，详情请访问：LightRAG项目地址。

LightRAG 增强了分段检索系统将文档转换为更小、更易于管理的片段。此策略允许快速识别和访问相关信息，而无需分析整个文档。接下来，我们利用LLMs 来识别和提取各种实体（例如名称、日期、位置和事件）以及它们之间的关系。这通过此收集的信息进程将用于创建一个全面的知识图谱，该图谱突出显示跨整个文档集合。基于图形的文本索引中使用的函数 paradigm 的描述如下：

这张图片展示了LightRAG框架的整体架构，主要涉及以下几个步骤和组件：

图形化文本索引：

文本经过处理，提取出实体及其关系。例如，从“BEKEEPER”相关的文本段落中提取出“Beekeeper”和“Bees”等实体。
通过实体识别和关系提取，将这些信息以图形结构的形式进行组织。
重复的实体会被去重，生成的图形索引用于后续的信息检索。

索引图的创建：

实体之间的关系被映射到图中，图中节点表示不同的实体或概念，边表示实体之间的关系。
通过这种方式，图结构可以更好地表达数据中的上下文信息，帮助系统理解复杂的相互依赖关系。

双级检索策略：

在检索过程中，LightRAG采用双级检索：低级检索侧重于具体的细节和实体（如“Beekeeper”、“Honey Bee”等），而高级检索涵盖更广泛的主题（如“农业”、“生产”或“环境影响”等）。
这种双级策略能够更好地响应不同层次的问题，既能回答具体的问题，也能提供整体的背景信息。

检索与生成集成：

检索到的信息根据查询的需求与语言模型（LLM）结合，生成最终的响应。
图结构中包含的实体、关系和上下文信息，能够提高响应的连贯性和上下文关联性。

增量更新与响应生成：

系统支持动态数据更新，通过增量更新算法保证图形结构的及时更新。
在图结构的基础上生成的响应，结合了最新的数据和最相关的实体与关系，从而提升系统的响应质量和速度。

整体上，LightRAG框架通过图形化索引和双级检索策略，克服了传统RAG系统的局限，使得信息检索和生成的过程更加智能和高效。

简要概括安装和使用LightRAG的过程如下：

源码安装（推荐）：

cd LightRAG
pip install -e .

通过PyPI安装：
```
pip install lightrag-hku
```
如果使用OpenAI模型，请在环境中设置OpenAI API密钥。
快速开始

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")))