LightRAG

Les systèmes de génération augmentée par récupération (RAG) améliorent les modèles de langage de grande taille (LLMs) en intégrant des sources de connaissances externes, permettant des réponses plus précises et contextuellement pertinentes adaptées aux besoins des utilisateurs. Cependant, les systèmes RAG existants présentent des limitations significatives, notamment une dépendance à des représentations de données plates et une conscience contextuelle insuffisante, ce qui peut entraîner des réponses fragmentées qui ne capturent pas les interdépendances complexes. Pour relever ces défis, nous proposons LightRAG, qui intègre des structures graphiques dans les processus d'indexation et de récupération de texte. Ce cadre innovant utilise un système de récupération à deux niveaux qui améliore la récupération d'informations complètes à partir de la découverte de connaissances à la fois de bas niveau et de haut niveau. De plus, l'intégration de structures graphiques avec des représentations vectorielles facilite la récupération efficace d'entités connexes et de leurs relations, améliorant ainsi significativement les temps de réponse tout en maintenant la pertinence contextuelle. Cette capacité est encore renforcée par un algorithme de mise à jour incrémentale qui garantit l'intégration rapide de nouvelles données, permettant au système de rester efficace et réactif dans des environnements de données en évolution rapide.