LightRAG: RAG dựa trên đồ thị tri thức
HKUDS/LightRAGLightRAG là một framework retrieval-augmented generation mã nguồn mở, thêm một đồ thị tri thức lên trên tài liệu của bạn thay vì chỉ dựa vào độ tương đồng vector phẳng. Nó ra đời từ một bài báo EMNLP 2025 của HKUDS và phát hành dưới dạng gói Python `lightrag-hku`.
Hãy chọn LightRAG nếu tài liệu của bạn có các thực thể và quan hệ mà tìm kiếm vector thuần cứ bỏ sót, và bạn muốn truy hồi có nhận thức về đồ thị mà không phải dựng một nền tảng nặng nề. Bỏ qua nếu một vector store đơn giản đã trả lời tốt câu hỏi của bạn, hoặc nếu bạn cần một sản phẩm bóng bẩy được hỗ trợ lâu dài thay vì một framework gốc nghiên cứu.
Vấn đề nó giải quyết
RAG chuẩn cắt tài liệu thành đoạn, embed chúng, và truy hồi theo độ tương đồng vector. Cách đó ổn với câu hỏi tra cứu nhưng chật vật khi một câu trả lời phụ thuộc vào cách các thực thể liên hệ với nhau trong cả kho — tìm kiếm vector trả về các đoạn nghe giống nhau, chứ không phải các dữ kiện được kết nối. Bạn mất đi cấu trúc vốn cho phép model suy luận xuyên tài liệu.
Đây là gì?
LightRAG là một framework retrieval-augmented generation mã nguồn mở (giấy phép MIT), công bố với tên 'LightRAG: Simple and Fast Retrieval-Augmented Generation' tại EMNLP 2025 bởi HKUDS. Nó dựng một đồ thị tri thức từ tài liệu của bạn và dùng nó khi truy hồi, kết hợp cấu trúc đồ thị với văn bản để model kéo được các dữ kiện được kết nối, chứ không chỉ các đoạn tương tự. Nó phân phối dưới dạng gói Python `lightrag-hku`.
Vì sao đang được chú ý
RAG dựa trên đồ thị đã thành một lĩnh vực nóng kể từ GraphRAG của Microsoft, và LightRAG tự định vị là một cách làm đơn giản, nhanh hơn cho cùng ý tưởng. Một bài báo EMNLP 2025 được chấp nhận cộng với giấy phép MIT dễ chịu và một gói cài sẵn cho nó vừa uy tín học thuật vừa tầm với thực tế cùng lúc, điều mà huy hiệu Trendshift trong README phản ánh.
Tính năng chính
- ✓Dựng một đồ thị tri thức từ tài liệu của bạn để nắm bắt thực thể và quan hệ
- ✓Kết hợp cấu trúc đồ thị với truy hồi văn bản thay vì chỉ độ tương đồng vector phẳng
- ✓Được hậu thuẫn bởi một bài báo bình duyệt EMNLP 2025 từ HKUDS
- ✓Giấy phép MIT dễ chịu, thân thiện với dùng thương mại hơn các framework copyleft
- ✓Cài được dưới dạng gói Python `lightrag-hku` (Python 3.10)
- ✓Nhắm tới RAG đồ thị nhanh và nhẹ hơn các bản GraphRAG nặng nề
Trường hợp dùng tốt nhất
- •Hỏi-đáp trên một kho tài liệu nơi thực thể và quan hệ giữa chúng có ý nghĩa
- •Dựng một trợ lý tri thức suy luận xuyên các tài liệu được kết nối, không phải các đoạn rời rạc
- •Làm prototype RAG đồ thị mà không triển khai một nền tảng end-to-end lớn
- •Nghiên cứu và thử nghiệm so sánh truy hồi dựa trên đồ thị với RAG vector thuần
Cách cài đặt / dùng thử
LightRAG là một gói Python 3.10 công bố trên PyPI với tên `lightrag-hku` (cài bằng `pip install lightrag-hku`). README lưu ý dự án dùng `uv` để quản lý gói (cài uv qua `curl -LsSf https://astral.sh/uv/install.sh | sh` trên Unix/macOS, hoặc lệnh PowerShell trên Windows). Xem kho để biết các bước thiết lập hiện tại.
Cách sử dụng
Bạn index tài liệu để LightRAG dựng một đồ thị tri thức, rồi truy vấn nó để lấy ngữ cảnh kết nối theo đồ thị cho một LLM trả lời. Nó dựa vào một LLM và model embedding mà bạn cấu hình. Chi tiết API đầy đủ và ví dụ nằm trong kho và bài báo được liên kết.
Điểm mạnh
- ✓Nắm bắt các quan hệ thực thể mà tìm kiếm vector phẳng bỏ sót
- ✓Có nền tảng từ một bài báo bình duyệt EMNLP 2025, không chỉ một README marketing
- ✓Giấy phép MIT dễ áp dụng cho thương mại
- ✓Được định vị nhẹ và nhanh hơn các stack GraphRAG nặng nề
Hạn chế & rủi ro
- △Dựng một đồ thị tri thức thêm chi phí index và độ phức tạp so với một vector store thuần
- △Là framework gốc nghiên cứu, nên API và hành vi có thể thay đổi giữa các phiên bản
- △Bạn vẫn cung cấp và trả tiền cho LLM và model embedding mà nó gọi
- △RAG đồ thị hữu ích nhất trên các kho nhiều quan hệ; với tra cứu đơn giản, nó có thể là gánh nặng thừa
Lựa chọn thay thế
Ai nên thử — và ai nên bỏ qua
Lập trình viên và nhà nghiên cứu dựng RAG trên các kho nơi quan hệ giữa các thực thể mang câu trả lời, và muốn truy hồi có nhận thức về đồ thị mà không cần nền tảng nặng. Nếu tìm kiếm vector thuần đã phục vụ tốt trường hợp của bạn, hoặc bạn cần một sản phẩm có nhà cung cấp hậu thuẫn, bản chất framework nghiên cứu của LightRAG có thể không hợp.
Câu hỏi thường gặp
RAG thường truy hồi theo độ tương đồng vector trên các đoạn văn bản. LightRAG còn dựng thêm một đồ thị tri thức từ tài liệu của bạn, nên truy hồi có thể đi theo quan hệ thực thể chứ không chỉ khớp văn bản tương tự.
Có. Nó đến từ bài báo 'LightRAG: Simple and Fast Retrieval-Augmented Generation', được chấp nhận tại EMNLP 2025, bởi HKUDS.
Nó có trên PyPI với tên `lightrag-hku` (`pip install lightrag-hku`), nhắm Python 3.10. README lưu ý dự án dùng uv để quản lý gói.
MIT, một giấy phép dễ chịu và nhìn chung dễ dùng trong các dự án thương mại.