隨著大型語言模型（LLM）逐漸成為企業應用的核心技術，檢索增強生成（Retrieval-Augmented Generation，RAG）也成為許多 AI 系統不可或缺的架構。透過 RAG，模型可以在回答問題前先查詢外部知識，降低幻覺（Hallucination）並提高回答的準確性。然而，傳統 RAG 多半依賴向量資料庫進行相似度搜尋，當問題涉及多個人物、事件或關聯資訊時，往往難以理解資料之間的關係，影響最終回答品質。
LightRAG 是由香港大學資料密集型系統實驗室（HKU Data Intelligence Lab，HKUDS）推出的開源 RAG 框架，透過結合 知識圖譜（Knowledge Graph） 與 向量檢索（Vector Retrieval），讓大型語言模型不僅能找到相關內容，也能理解不同知識之間的關聯，進一步提升複雜問題的回答品質。相較於許多需要自行整合多套工具的 RAG 解決方案，LightRAG 更強調以輕量化的方式建立完整的知識檢索流程，同時兼顧效能與易用性。
LightRAG 的核心理念，是在文件匯入階段自動建立知識圖譜。系統會利用大型語言模型從文件中擷取人物、地點、組織、事件等實體，以及彼此之間的關聯，再將這些資訊建立成知識圖譜，同時保留向量索引。當使用者提出問題時，LightRAG 不僅會透過向量搜尋找到相關內容，也會利用知識圖譜探索實體間的連結，讓檢索結果更加完整。
例如，當詢問「某家公司曾與哪些企業合作，並有哪些共同投資的專案？」時，傳統 RAG 可能只能找到包含關鍵字的文件；而 LightRAG 則能沿著知識圖譜追蹤公司、合作夥伴與專案之間的關係，提供更具脈絡的回答。
從架構設計來看，LightRAG 主要包含以下幾個核心能力：
- 自動建立知識圖譜，擷取實體與關聯資訊。
- 結合向量搜尋與圖譜搜尋，提升檢索品質。
- 支援增量更新，不需重新建立整個知識庫。
- 提供簡潔 API，方便整合至各類 AI 應用。
- 相容多種大型語言模型與向量資料庫。
- 採用模組化架構，可依需求替換不同元件。
- 開源發布，可自行部署與客製化。
其中，增量更新（Incremental Update） 是 LightRAG 的一項重要特色。許多 RAG 系統在新增文件後，需要重新建立索引，甚至重新處理整個知識庫；LightRAG 則能只更新新增或修改的內容，同步調整知識圖譜與向量索引，降低維護成本，也更適合需要持續更新資料的企業環境。
另一項特色是 LightRAG 提供多種檢索模式。除了基本的向量搜尋之外，也支援以知識圖譜為核心的查詢，以及結合兩者的混合檢索（Hybrid Retrieval）。開發者可依據不同情境選擇最適合的方式，例如知識問答可採用混合模式，而文件摘要則偏重向量搜尋，提升整體系統的彈性。
相較於 LangChain、LlamaIndex 等偏向 AI 應用開發框架，LightRAG 更聚焦於 RAG 本身的檢索品質與知識管理。它並不是要取代既有框架，而是提供一套更完整的知識檢索架構，可與現有 AI Workflow 搭配使用。對於需要建立企業知識庫、內部文件搜尋、研究資料查詢或 AI 問答系統的團隊而言，LightRAG 提供了一種兼顧準確性與效能的實作方式。
整體而言，LightRAG 並非只是另一套 RAG 框架，而是重新思考知識檢索方式的開源解決方案。透過將知識圖譜與向量搜尋結合，它讓大型語言模型不僅能找到相關資訊，也能理解資料之間的關聯，進一步提升回答品質與推理能力。對於希望打造更準確、更容易維護且具備企業級擴充性的 RAG 系統而言，LightRAG 是近年相當值得關注的開源專案。
