LightRAG（ライトラグ）
GraphRAGの軽量・高速版として2024年に提案されたRAG手法。文書からキーワードと関係を抽出してグラフを構築するが、GraphRAGのコミュニティ検出・階層要約を省略し、構築コストを1/10に抑えつつマルチホップ検索と高速なインクリメンタル更新を実現する。
LightRAGとは
LightRAGは、GraphRAGの構築コストと更新困難性を解決するために2024年に提案された軽量グラフベースRAGフレームワークである。HKUST（香港科技大学）のZirui Guo et al.が論文「LightRAG: Simple and Fast Retrieval-Augmented Generation」で発表し、GitHubリポジトリ（HKUDS/LightRAG）で公開している。GraphRAGがコーパス全体をコミュニティに分割して階層要約を生成する重厚なアプローチなのに対し、LightRAGはキーワードベースのデュアルレベル検索で同等以上の精度を1/10のコストで実現する。
主な特徴・仕組み
- デュアルレベル検索: ローカル（エンティティ中心のサブグラフ探索）＋グローバル（高レベルキーワードのリレーション探索）の2モードをクエリに応じて自動選択
- インクリメンタルインデクシング: 文書追加時にグラフ全体を再構築せず、新規エンティティ・関係のみを差分追加。更新コストがO(追加文書数)
- コミュニティ検出省略: GraphRAGのLeidenアルゴリズムによるコミュニティ分割を省略。構築時間を大幅に短縮
- 構築コスト: 1,000ページで$0.5〜2（GraphRAGの$5〜20の約1/10）
- キーワード抽出: LLMでエンティティに加えて高レベルキーワード（テーマ・概念）を抽出。グローバル検索の精度向上に寄与
- ベンチマーク: UltraDomain（多ドメインQA）でGraphRAGと同等〜+5%の精度。Naive RAGを+15〜25%上回る
- バックエンド: NetworkX（デフォルト）、Neo4j、nano-vectordbから選択可能
- API統合: OpenAI互換API・Ollama・LM Studio等のローカルLLMに対応
- OSSライセンス: MIT License。pip install lightragで導入可能
アーキテクチャ比較
| 項目 | GraphRAG | LightRAG |
|---|---|---|
| エンティティ抽出 | ○ | ○ |
| リレーション抽出 | ○ | ○ |
| コミュニティ検出 | ○（Leiden） | × |
| 階層要約 | ○ | × |
| キーワード抽出 | × | ○（高レベル概念） |
| 検索方式 | ローカル/グローバル | ローカル/グローバル/ハイブリッド |
| インクリメンタル更新 | △（困難） | ○（ネイティブ対応） |
| 構築コスト（1Kページ） | $5〜20 | $0.5〜2 |
| 検索レイテンシ | 1〜3秒 | 0.5〜1.5秒 |
導入手順
pip install lightrag[ollama]（またはopenai/lmstudioバックエンド）- 文書ディレクトリを指定してインデクシング実行（LLMがエンティティ・キーワード抽出）
- クエリモード選択（local/global/hybrid）して検索
- 新規文書追加時は
insert()メソッドで差分インデクシング
LM Studio（192.168.1.200:1234）でローカルLLM（Qwen3-8B等）を使えばAPI費用ゼロで運用可能。
選び方・注意点
- GraphRAGとの使い分け: コーパスが頻繁に更新される・構築コストを抑えたい→LightRAG。静的な大規模コーパスで最高精度が必要→GraphRAG
- 要約タスクの精度: コミュニティ要約を省略するため、「コーパス全体の傾向を要約して」のようなグローバル要約タスクではGraphRAGに劣る場合がある
- ローカルLLM対応: Ollama・LM Studio経由でGemma 4、Qwen3等のローカルモデルで動作。プライバシー重視の社内利用に適する
- エンティティ抽出精度: GraphRAG同様、LLMの能力に依存。大型モデル（GPT-4o・Llama 3-70B）ほど高精度
- スケーラビリティ: 10万ノードまでNetworkXで実用的。それ以上はNeo4jバックエンド推奨
関連用語との違い
LightRAGはGraphRAGの「精度を維持しつつコストを下げる」最適化版という位置づけ。GraphRAGが学術的な完全性を追求するのに対し、LightRAGは実務での「十分な精度を低コストで」を目指す。ベクトルRAGからのステップアップとして、GraphRAGより導入ハードルが低い。HyDE・CRAGとは検索対象が異なり（チャンク vs グラフ）、組み合わせて使うことも可能（例: LightRAGのグラフ検索結果をCRAGで品質評価）。
よくある質問（FAQ）
Q1: LightRAGはローカルLLMだけで動かせる？ A: 動かせる。Ollama経由でLlama 3-8B、LM Studio経由でQwen3-8B/Gemma 4等を使えばAPI費用ゼロで運用可能。ただしエンティティ抽出精度は大型モデルに劣るため、初期インデクシングだけGPT-4oを使い、検索時はローカルLLMという構成も有効。
Q2: 既存のベクトルRAGからLightRAGへの移行は大変？ A: 文書コーパスが同じなら、LightRAGのインデクシングを追加実行するだけ。ベクトルRAGを残しつつLightRAGを併用し、クエリの種類に応じて使い分ける構成が推奨。段階的な移行が可能。
Q3: GraphRAGとLightRAGを同じコーパスで併用するメリットはある？ A: ある。ローカルクエリ（具体的な事実検索）はLightRAGの方が高速・低コスト。グローバルクエリ（コーパス全体の要約・傾向分析）はGraphRAGのコミュニティ要約が優れる。クエリの種類で自動ルーティングするハイブリッド構成が理想的。
まとめ
- LightRAGはGraphRAGの軽量版で、コミュニティ検出を省略しキーワードベースのデュアルレベル検索を採用
- 構築コストがGraphRAGの1/10、インクリメンタル更新に対応し実務導入のハードルが低い
- ローカルLLM（Ollama/LM Studio）対応でAPI費用ゼロ運用が可能
- マルチホップ推論が必要だが構築コストを抑えたい場合の最適解