LightRAG (라이트RAG)
문서에서 엔터티와 관계를 뽑아 지식 그래프와 벡터 검색을 함께 쓰는 RAG 프레임워크
LightRAG (라이트RAG)은(는) 여러 환경에서 자동화 흐름을 설계하고 운영하는 데 도움이 되는 자동화 프레임워크입니다. 문서가 어느 정도 갖춰져 있고 유지 신호도 보여서 스타 34675개와 외부 언급 6개를 함께 보면 먼저 살펴볼 만합니다.
환경
좋은 용도
설치
`pip install lightrag-hku`로 설치하거나 저장소를 source checkout 후 사용하고, embedding·LLM 제공사 키를 설정한다.
사용 예시
문서 100개 정도의 작은 묶음을 넣어 embedding 벡터와 이름·관계를 함께 만들고, 관계형 질문에서 답변 근거를 찾아요.
연동 방식
[vector DB](/ko/wiki/vector-db/)에 검색 벡터를 저장하고, RAGAS로 문맥 적합도를 재며 Langfuse로 어떤 문맥이 답변에 쓰였는지 추적해요.
연결
관련 뉴스
별칭
리뷰
LightRAG는 문서에서 사람, 조직, 제품, 사건 같은 이름을 뽑고 그 사이의 관계를 저장한 뒤, 일반 벡터 검색과 함께 답변 근거를 찾는 RAG 도구예요. “지난 장애가 어떤 고객, 어떤 제품, 어떤 패치와 이어졌나”처럼 여러 문서의 연결을 묻는 질문에서 일반 벡터 RAG와 갈려요. 벡터 검색은 비슷한 문장을 잘 찾지만 여러 문서에 흩어진 관계를 따라갈 때 약해질 수 있는데, LightRAG는 이 관계 추적을 앞단에서 만들어 두는 선택지예요. 최근에는 OpenSearch 연동, RAGAS 평가, Langfuse 추적까지 붙어 검색 정확도만이 아니라 저장소·평가·추적을 같이 운영할 수 있는지 보게 돼요.
사용 예시
문서를 넣으면 embedding으로 검색용 벡터를 만들고, 이름과 관계도 따로 뽑아 저장해요. 질문이 들어오면 vector DB 검색 결과와 관계 정보를 함께 보고 답변 문맥을 골라요. 품질 확인은 benchmark처럼 고정 질문 묶음을 만들고, RAGAS로 문맥 적합도를 재고, Langfuse로 어떤 문맥이 답변에 쓰였는지 따라가는 방식으로 시작하면 돼요.
확인할 점
그래프 RAG는 모델 호출 비용을 줄이는 마법이 아니에요. 문서가 커질수록 이름·관계 추출, 관계 저장소 갱신, 삭제 후 재생성, 저장소 운영이 비용의 중심이 돼요. 한국어 사내 약어, 제품 코드, 고객명처럼 표준화되지 않은 말이 많으면 관계 추출 품질이 흔들릴 수 있으니 작은 문서 묶음으로 먼저 시험하고, 답변 품질뿐 아니라 색인 시간과 업데이트 지연도 같이 재야 해요. FAQ나 짧은 매뉴얼처럼 키워드 검색으로 충분하면 관계 추출 비용이 과해질 수 있습니다.