アーカイブ / LLM / RAG
文書の関係をたどって答えるLightRAG――社内検索で検証したい点
LightRAG
LightRAGの原論文から掲載した図です。細部はクリックして拡大できます。
原論文の図の説明を読む
Figure 1: Overall architecture of the proposed LightRAG framework.
概要
- LightRAGは文書から項目と関係を取り出してグラフ化し、具体的な情報と広い話題を二層で検索する。
- 大学教科書由来の4領域では、モデルによる総合比較でNaiveRAGへの勝率が62.40～82.54％だった。
- GraphRAGとの比較では混合領域の総合勝率が48.14％で、導入先の文書と質問で再評価が必要である。
補足：編集した模式図で仕組みを確認する
VISUAL EXPLAINER
図でつかむ、LightRAGの仕組み
- 01文書と質問
- 02項目・関係の索引化
- 03二層の検索
- 04根拠付き回答
原論文の説明をもとにした模式図です。処理の細部は省略しています。
研究の背景
検索拡張生成（RAG）は、質問に関係する外部文書を探し、その内容を言語モデルに渡して回答させる仕組みである。一般的な方式は文書を小さな断片に分けて検索するため、別々の断片に書かれた項目同士の関係をまとめにくい場合がある。
実務の質問は、単語の定義だけでなく、変更の理由や影響先を複数文書から追うことが多い。LightRAGは、文書中の項目と関係を索引に入れ、詳しい質問と広い質問の双方で参照できるようにする。
手法
文書を短い区間に分け、言語モデルで人名、概念、出来事などの項目と、それらの関係を取り出す。これをグラフ、つまり項目を点、関係を線として結んだ構造にまとめ、重複を統合する。例えば「部品Aを工程Bで検査する」という文から、部品Aと工程Bのつながりを記録する。新しい文書には同じ処理を行い、索引へ追加する。
質問が来ると、具体的な項目を探す語と広い話題を探す語を取り出し、項目・関係の説明文をベクトル検索する。ベクトル検索は、語の表記が違っても意味の近さで候補を探す方法である。見つかった項目の隣接関係も集め、その説明と元文書の抜粋を質問とともに言語モデルへ渡して回答を作る。
新規性
LightRAGの特徴は、文書から抽出した人物・組織・概念などの項目とその関係をグラフにし、細かな情報と広い話題の二層で検索する組み合わせにある。項目や関係の説明文を検索可能な形で保持し、回答に渡す。
新しい文書は同じ手順で処理して既存の構造に追加する。著者らは、全文書の索引を作り直さずに更新できる点も利点として挙げる。実際の更新負荷は文書の性質に依存するため、導入先で測りたい。
従来手法との違い
基本的なRAGは文書を短い断片に分け、質問と意味が近い断片を探して回答に渡す。LightRAGは、その断片から項目と関係を抽出し、関連項目までたどって材料を集める。複数文書にまたがる関係を扱う設計上の違いがある。
論文はNaiveRAG、質問の書き換えを使うRQ-RAG、仮の文書を作るHyDE、グラフを使うGraphRAGと比較した。GraphRAGとの比較では、集団ごとの報告をたどる方式に対し、LightRAGは項目・関係を検索して隣接情報を集める。
実験結果
著者らはUltraDomainから農業、計算機科学、法律、混合領域の4組を選び、各組の全文を踏まえる質問を125問ずつ生成した。各組は約60万～500万トークンで、回答はGPT-4o-miniによる二者比較で評価した。基準は網羅性、多様性、理解や判断への有用性、総合評価である。
総合評価でLightRAGがNaiveRAGに勝った率は、農業66.70％、計算機科学65.24％、法律82.54％、混合62.40％だった。一方、GraphRAGとの総合比較では混合領域は48.14％で、全領域で勝ったわけではない。これらはモデルによる回答比較の勝率であり、事実正確率そのものではない。
応用の可能性
編集上の応用案 · 論文が実証した用途とは区別しています。
編集上の応用案：社内の製品変更について、「部品の変更が検査手順と担当部門にどう影響するか」を尋ねる検索窓を作る。入力は改訂履歴、手順書、担当表と質問、出力は関係する項目をつないだ説明と確認に使った文書箇所とする。
利用者は、表示された箇所を読んで改訂時点と内容を確かめ、関係が飛躍していないか確認する。文書に書かれていない因果関係を補って答えないよう、回答不能を示す運用も合わせて試す。これは論文外の用途案である。
応用先の候補からNauhに相談できます。
導入時の検証
導入時の検証案 · 対象データでの再評価が必要です。
導入時の検証案：改訂履歴を含む社内文書の小さな集合を選び、既存の断片検索型RAGを比較基準にする。複数文書を結ばないと答えられない質問と、単一文書で足りる質問を用意し、両方式へ同じ質問を入力する。
担当者が根拠文書との一致、関係の取り違え、回答不能時の振る舞いを採点する。新しい文書を追加した後、回答に反映されるまでの時間と検索・生成にかかる時間も記録し、複雑な索引を維持する効果があるか判断する。
限界と課題
著者らは、従来の平面的な文書検索では項目間の複雑な関係を拾いにくいと問題設定する。一方、示された比較は大学教科書由来の文書と、モデルが作った質問・判定に基づく。社内文書での正確さを直接示すものではない。
編集上の確認事項は、抽出した項目の重複や誤った関係、文書更新後の古い情報の残存、回答の根拠箇所を人が追えるかである。本文の一部しか確認できないため、更新性能や費用に関する全実験値まで評価した記事ではない。
出典
元のタイトル・要旨を確認する（英語）
LightRAG: Simple and Fast Retrieval-Augmented Generation
Retrieval-Augmented Generation (RAG) systems enhance large language models (LLMs) by integrating external knowledge sources, enabling more accurate and contextually relevant responses tailored to user needs. However, existing RAG systems have significant limitations, including reliance on flat data representations and inadequate contextual awareness, which can lead to fragmented answers that fail to capture complex inter-dependencies. To address these challenges, we propose LightRAG, which incorporates graph structures into text indexing and retrieval processes. This innovative framework employs a dual-level retrieval system that enhances comprehensive information retrieval from both low-level and high-level knowledge discovery. Additionally, the integration of graph structures with vector representations facilitates efficient retrieval of related entities and their relationships, significantly improving response times while maintaining contextual relevance. This capability is further enhanced by an incremental update algorithm that ensures the timely integration of new data, allowing the system to remain effective and responsive in rapidly changing data environments. Extensive experimental validation demonstrates considerable improvements in retrieval accuracy and efficiency compared to existing approaches. We have made our LightRAG open-source and available at the link: https://github.com/HKUDS/LightRAG
論文本体の取得範囲に基づく解説。AIが作成した未校閲の記事です。性能の数値は著者の評価条件に依存します。応用例と検証計画は編集上の提案です。解説更新：2026-09-29