LightRAG: Simple and Fast Retrieval-Augmented Generation
| 項目 | 内容 |
|---|---|
| 論文ID | P47 |
| 区分・分類 | 論文・構造化知識の利用 |
| 著者・所属 | Zirui Guo, Lianghao Xia, Chao Huang（University of Hong Kong）、Yanhua Yu, Tu Ao（Beijing University of Posts and Telecommunications）。責任著者 Chao Huang |
| 発表先 | Findings of the Association for Computational Linguistics: EMNLP 2025 |
| 発表日 | 2025-11 |
| 引用数 | 157（OpenAlex 2026-10-06時点） |
| 言語 | 英語 |
| URL | https://doi.org/10.18653/v1/2025.findings-emnlp.568 |
| 論文/pdf/P47.pdf | |
| 読んだ範囲 | 全文（本文・付録の全16ページ。図は画像のため、キャプションと本文の説明で補った） |
論文タイプ
新技術。グラフ構造を索引と検索に組み込んだ RAG フレームワーク LightRAG を提案し、既存の RAG 手法と比較している。
研究の目標
既存の RAG はテキストをチャンクに分けた平坦な（フラットな）表現に頼っている。そのためエンティティ間の関係を踏まえて検索できず、複数の話題にまたがる質問には断片的な回答しか返せない（論文の例：電気自動車の普及が都市の大気質と交通インフラに与える影響）。グラフを使う GraphRAG は、コミュニティを1つずつ走査するため検索コストが高く、新しいデータを入れると再構築が必要になる。本論文は次の3つを満たす RAG を目指す。(i) 全文書にわたる相互依存を捉える包括的な検索、(ii) グラフ上の検索の効率化、(iii) 新しいデータへの迅速な適応。
技術的なやり方
| 段階 | 内容 |
|---|---|
| グラフ索引の構築 | 文書をチャンクに分割し、LLM でエンティティ（ノード）と関係（エッジ）を抽出する。次に LLM profiling で、各ノード・エッジにキー（語・短い句）と値（関連箇所を要約した段落）の組を作る。エンティティのキーは名前だけ、関係のキーは接続するエンティティから導いたグローバルなテーマを含む複数個。最後に、異なるチャンクから出た同じエンティティ・関係を重複除去でまとめる |
| 増分更新 | 新しい文書を同じ手順でグラフにし、既存グラフとノード集合・エッジ集合の和集合をとる。索引全体は作り直さない |
| 二層検索（dual-level retrieval） | LLM が質問から local キーワード（具体的なエンティティ）と global キーワード（広いテーマ）を抽出する。ベクトルDB で local キーワードをエンティティに照合し（low-level）、global キーワードを関係に照合する（high-level）。取得したノード・エッジの1ホップ隣接ノードも集める |
| 回答生成 | 取得したエンティティ・関係の名前と説明、元テキストの抜粋を連結し、LLM が回答を作る |
- 計算量：索引時の LLM 呼び出しは「総トークン数÷チャンクサイズ」回。検索ではチャンクではなくエンティティ・関係をベクトル検索するため、GraphRAG のコミュニティ走査より負荷が小さいとしている
- 評価データ：UltraDomain ベンチマーク（大学教科書428冊・18分野）のうち4つ。Agriculture（12文書・2,017,886トークン）、CS（10文書・2,306,535トークン）、Legal（94文書・5,081,069トークン）、Mix（61文書・619,009トークン）
- 質問：Edge et al. (2024) の方法で、LLM に「利用者5人 × タスク5つ × 質問5問」を作らせ、データセットごとに125問
- 比較手法：Naive RAG、RQ-RAG、HyDE、GraphRAG
- 設定：LLM はすべて GPT-4o-mini、チャンクサイズ1200、ベクトルDB は nano vector database
- 評価方法：GPT-4o-mini が2つの回答を一対比較し、Comprehensiveness／Diversity／Empowerment／Overall の4観点で勝率を出す（回答の提示順は入れ替える）
結果
Overall の勝率（比較手法 vs LightRAG）
| 比較手法 | Agriculture | CS | Legal | Mix |
|---|---|---|---|---|
| NaiveRAG | 32.4% vs 67.6% | 38.8% vs 61.2% | 15.2% vs 84.8% | 40.0% vs 60.0% |
| RQ-RAG | 32.4% vs 67.6% | 38.0% vs 62.0% | 14.4% vs 85.6% | 40.0% vs 60.0% |
| HyDE | 24.8% vs 75.2% | 41.6% vs 58.4% | 26.4% vs 73.6% | 42.4% vs 57.6% |
| GraphRAG | 45.2% vs 54.8% | 48.0% vs 52.0% | 47.2% vs 52.8% | 50.4% vs 49.6% |
- GraphRAG との比較では Diversity の差が大きい（Agriculture で 22.8% vs 77.2%）。一方 Mix では、Comprehensiveness（50.4% vs 49.6%）、Empowerment（50.8% vs 49.2%）、Overall の3観点で GraphRAG がわずかに上回る
アブレーション（NaiveRAG に対する LightRAG 側の Overall 勝率）
| 版 | Agriculture | CS | Legal | Mix |
|---|---|---|---|---|
| 完全版 | 67.6% | 61.2% | 84.8% | 60.0% |
| -High（low-level 検索のみ） | 64.8% | 56.0% | 78.0% | 57.6% |
| -Low（high-level 検索のみ） | 65.2% | 56.4% | 81.2% | 64.8% |
| -Origin（元テキストを使わない） | 74.4% | 60.8% | 84.4% | 55.6% |
- -Origin でも性能は大きく下がらず、一部（論文の例は Agriculture・Mix）では完全版を上回った
- コスト（Legal データ、GraphRAG vs LightRAG）：検索時のトークンは 610×1,000 vs 100未満、API 呼び出しは数百回 vs 1回。増分更新では、GraphRAG はコミュニティレポートを作り直すため約 1,399×2×5,000 トークンが追加で必要になる。LightRAG は抽出分のトークンだけで済む
- 付録の追加実験（GraphRAG との比較）
- 5文書（41,224〜73,989トークン）の挿入時間：LightRAG 418〜561秒、GraphRAG 642〜953秒
- 平均の質問応答時間：LightRAG 11.2秒、GraphRAG 23.6秒
- 最終的なストレージ：LightRAG 39.5MB、GraphRAG 286.7MB
限界・課題
著者の Limitations 節は、今後の拡張として2点を挙げている。テキスト・画像・音声などのマルチモーダル対応と、時間的な関連性を回答に反映する time-awareness の組み込み。現行手法の弱点についての明示的な記述はない。
要点
文書から LLM でエンティティ・関係のグラフを作り、具体（エンティティ）と抽象（関係・テーマ）の2層でキーワードをベクトル照合して検索する RAG。 GraphRAG に対して Overall の勝率は4データセット中3つで上回り（Mix はほぼ同等）、検索1回あたり100トークン未満・API 呼び出し1回、再構築不要の増分更新を実現したと報告している。