内容参考于：图灵AI大模型全栈

一个好的图RAG是知识图谱和向量（Naive RAG）结合起来，图RAG（知识图谱RAG），应该是叫GraphRAG，但是这个单词被微软占用了，图RAG最早由微软实现了，它的框架就叫GraphRAG，所以我们说GraphRAG时指的是微软的GraphRAG

Light RAG 介绍

• 论文: https://arxiv.org/pdf/2410.05779

• 文档地址: https://learnopencv.com/lightrag/

• 项目地址: https://github.com/HKUDS/LightRAG

这里有一个微软发布的GraphRAG框架，微软发布的GraphRAG框架也是最早实现图RAG的框架，但是它并不好用，它只能使用GPT的模型而且还非常慢，构建阶段Token消耗非常巨大，如果已有图数据在它的基础上新加节点GraphRAG做不到，它只能全部删除重新添加（无法增量更新），所以现在有了Light RAG它由香港大学研究

Light RAG核心创新

双层检索（dual-level retrieval）和图增强文本检索（graph-enhanced text indexing）是LightRAG的核心，也就是它又基于图又基于向量

双层检索：分底层和高层检索

底层检索（low-level）：提取查询出来的实体或关系关键词，然后向量匹配最相关实体和直接相连的节点，然后提供精准细节（比如孙悟空的师傅是谁）

如下图绿框就是直接相连

高层检索（high-level）：提取抽象的主题或关键词，查询更广的上下文和相连的节点和相连节点相连的节点的信息（2到3层范围），然后提供全局视角（比如西游记说的什么）

如下图绿框就是多层相连

底层检索是为了解决细小的问题，比如孙悟空的师傅是谁，高层是为了做总结

Light RAG架构图

数据初始化阶段，输入一个文档进行分片（下图中的Text Chunks），然后把分片后的内容转成向量放到向量数据库中（下图中的Embedding），这里的向量存的不是源文档，存的是一个id，根据向量生成一个id，源文档保存在一个json里（下图里的index），它存的是源文档和metadata和向量对应的id，就是说查向量的时候是查一个id，然后拿着id去json中找文档

到这向量就处理好了，接下来是图数据，如下图还是通过大模型生成，会得到下图红框的两个东西节点和边，Entities data是实体数据（节点数据），Relations Data是边

然后经过下图红框去重（节点和边去重），比如在第一章有苹果，第二章也有苹果，它会看看这俩苹果的语义是不是一样的，如果是一样的就合并，如果不一样会单独创建一个节点和边，去重之后转成向量保存到向量数据库如下图黄框，它转成向量后也会有一个id，它会根据id找到源文档，会把源文档一起保存到向量数据库中

然后把节点和边更新到图数据库中，到这就是索引初始化的过程，这样它把源文档和图数据都保存了下来，在问题检索时就可以使用向量和图数据了 ，这也就是双层索引