LightRAG (HKU 2024)（ライトラグエイチケーユー2024）
HKU 2024年 GraphRAG 軽量改良版。グラフ + ベクトルハイブリッド・インデックス構築コスト GraphRAG の 10%・性能同等
概要
LightRAG は 2024年10月8日に香港大学（HKU、The University of Hong Kong）の Zirui Guo・Lianghao Xia・Yanhua Yu・Tu Ao・Chao Huang ら 5名が arXiv:2410.05779 で発表した GraphRAG 軽量改良版（論文「LightRAG: Simple and Fast Retrieval-Augmented Generation」）。Chao Huang は HKU データインテリジェンス研究室の著名研究者で、Recommender System・Graph Neural Network 系統の論文多数発表。
Microsoft GraphRAG（2024-04）が「コミュニティ検出 + 階層的サマリ生成」で高精度を実現する一方、インデックス構築コスト高（100MB で $500-1500）と検索レイテンシ大の問題があった。LightRAG は グラフ + ベクトルハイブリッド検索を採用して、エンティティ抽出と関係性のみグラフ化（コミュニティ検出を簡素化）、検索時は dual-level retrieval（low-level エンティティ + high-level 関係性）で 2 段階情報抽出する設計。
結果として GraphRAG の 1/10 のインデックス構築コスト + 検索レイテンシ 50% 削減 + 性能 GraphRAG 同等 を達成。GitHub: HKUDS/LightRAG で OSS 公開（MIT ライセンス）、増分更新対応で運用面でも GraphRAG より優位。中国大学発の RAG 系統研究として注目を集めている。
主な特徴・仕組み
- エンティティ + 関係抽出: LLM で 2 種類抽出（コミュニティ検出は省略）
- 2 種埋め込み: エンティティ embedding + 関係 embedding を別々に保存
- Dual-level Retrieval: クエリを low-level（具体的エンティティ）+ high-level（抽象的トピック）に分解
- ハイブリッド検索: グラフ走査 + ベクトル類似度検索の組合せ
- 増分更新: 新規ドキュメント追加時の差分更新対応（GraphRAG は再構築必要）
- インデックス構築コスト: GraphRAG の 約 10%（100MB で $50-150）
- 検索レイテンシ: GraphRAG の 約 50%（1-2 秒）
- 性能: UltraDomain ベンチで GraphRAG 同等、4 ドメイン平均で 0.3-2.1% 上回る
- 対応モデル: GPT-4o / Claude 3.5 / Llama 3 / Qwen 2.5 / Gemini 1.5 等
- OS バージョン: 論文 v1 (2024-10)・GitHub v1.0 (2024-10)・v1.2 (2024-12 改良)
スペック比較表
| 項目 | LightRAG (2024) | GraphRAG (Microsoft 2024) | CRAG (2024) | 標準 RAG |
|---|---|---|---|---|
| グラフ構造 | あり (簡素化) | あり (Leiden 検出) | なし | なし |
| インデックス構築 | 低 ($50-150 / 100MB) | 高 ($500-1500 / 100MB) | 低 | 低 |
| 検索レイテンシ | 1-2 秒 | 3-5 秒 | 1-2 秒 | <1 秒 |
| 増分更新 | あり | なし (再構築) | あり | あり |
| Dual-level 検索 | あり | なし | なし | なし |
| OSS ライセンス | MIT | MIT | - | - |
| 性能 (UltraDomain 平均) | 86.7% | 86.4% | 80.2% | 73.5% |
具体例・対応製品
- HKUDS/LightRAG (GitHub 2024-10): 公式 OSS 実装、Python ライブラリ
- LightRAG with Llama 3 (2024-10): Llama 3 8B + LightRAG、コミュニティ実装
- LightRAG with Qwen 2.5 (2024-11): 中国 Alibaba Qwen 2.5 統合
- LightRAG with Ollama (2024-11): ローカル LLM 統合、コスト削減
- LightRAG Web UI (2024-12): GUI フロントエンド、ノーコード利用
選び方・注意点
- GraphRAG との選択: コスト・速度重視なら LightRAG、最高精度+大予算なら GraphRAG
- ローカル LLM 推奨: Ollama + Llama 3 8B / Qwen 2.5 7B でほぼ無料運用可（GPT-4 比 $1000-3000/月節約）
- 増分更新メリット: 文書頻繁更新シナリオで GraphRAG より圧倒的に運用しやすい
- 検索品質: Global クエリ（全体傾向）で GraphRAG とほぼ同等、Local クエリでは僅差で LightRAG 優位
- エンティティ抽出精度: GPT-4o / Claude 3.5 推奨、GPT-3.5 / Llama 3 8B では精度若干低下
- 日本語対応: GPT-4o / Claude 3.5 Sonnet で実用可、Qwen 2.5 も日本語精度高
- 2025 トレンド: 中国 HKU 系統研究 + ローカル LLM の組合せで「無料 RAG 革命」が起きている
関連用語との違い
| 用語 | 違い |
|---|---|
| LightRAG (2024) | グラフ + ベクトル軽量版・低コスト・GraphRAG 同等性能 |
| GraphRAG (Microsoft 2024) | 完全グラフ + コミュニティ検出・高コスト・高精度 |
| HyDE (2022) | 仮想ドキュメント生成・標準 RAG 拡張 |
| Self-RAG (2023) | 動的検索判断 + 自己評価・fine-tune 必要 |
| CRAG (2024) | 検索結果評価 + Web フォールバック |
よくある質問（FAQ）
Q1: GraphRAG の何が問題で LightRAG が生まれた？ A: (1) インデックス構築コスト高（100MB で $1500）(2) Leiden コミュニティ検出が複雑で遅い (3) 文書更新時の再構築必須。LightRAG はこれらを「エンティティ + 関係のみ抽出 + 増分更新対応」で解決し、コスト 10% で同等性能達成。
Q2: Dual-level Retrieval とは？ A: クエリを 2 段階に分解：(1) Low-level「Python の async/await はどう動く？」→ 具体的エンティティ検索 (2) High-level「並行プログラミングの最新動向」→ 抽象的関係性検索。両者をマージして最適な検索結果を得る LightRAG 独自手法。
Q3: ローカル LLM 運用は実用的？ A: 実用的。Ollama + Llama 3 8B + LightRAG 構成で月 $0-50 で運用可（電気代のみ、API コスト不要）。GPT-4o + LightRAG は月 $500-1000、エンタープライズ向け。中小企業・個人開発者は Llama 3 構成が現実解。
まとめ
- HKU 2024年10月発表・GraphRAG 軽量改良版
- グラフ + ベクトルハイブリッド・Dual-level Retrieval
- インデックス構築コスト 1/10・性能 GraphRAG 同等
- 増分更新対応・運用面で GraphRAG より優位
- 中国 HKU 系統 + ローカル LLM で無料 RAG 革命