LightRAG — GraphRAG보다 가벼운 지식 그래프 검색

LightRAG는 홍콩대학교 HKUDS 연구팀이 개발한 지식 그래프 기반 RAG(Retrieval-Augmented Generation) 프레임워크로, EMNLP 2025에서 발표됐다. 기존 GraphRAG 대비 토큰 사용량을 6,000배 절감하면서도 검색 정확도에서 일관되게 우위를 점하며, 듀얼 레벨 검색 패러다임을 통해 세부 정보와 추상적 관계를 동시에 포착한다.

그래프를 인덱스에 새겨 넣다

LightRAG는 그래프 구조를 텍스트 인덱싱과 검색 프로세스에 통합하는 프레임워크다. LLM을 활용해 문서에서 이름·날짜·장소·이벤트 등 다양한 엔티티와 이들 간의 관계를 식별·추출하고, 추출된 엔티티와 관계로 전체 문서 컬렉션에 걸친 연결과 인사이트를 강조하는 지식 그래프를 구축한 뒤, 세부 정보(Low-Level)와 추상적 관계(High-Level) 양쪽에서 쿼리 키를 생성해 포괄적 정보 검색을 수행한다.

⤢✕

구체적 사실과 추상적 관계를 함께 잡다

LightRAG의 차별화된 강점은 듀얼 레벨 검색 패러다임에 있다. 단일 레벨 검색의 한계를 극복해 구체적 사실과 추상적 개념을 동시에 탐색한다. Low-Level 검색은 특정하고 세분화된 정보를 대상으로 개별 노드와 엣지에 초점을 맞춘다("Mechazilla란 무엇인가?" 같은 질문). High-Level 검색은 더 넓은 개념과 관계를 집약해 추상적 또는 멀티홉 쿼리를 처리한다("Elon Musk의 비전은 어떻게 지속가능성을 촉진하는가?" 같은 질문).

검색 레벨	대상	쿼리 유형	그래프 요소
Low-Level	세부 사실	구체적, 단일 홉	개별 노드, 엣지
High-Level	추상적 관계	멀티홉, 개념적	서브그래프, 클러스터

이 두 레벨의 검색이 결합되면 단순 키워드 매칭으로는 발견할 수 없는 복잡한 관계와 맥락을 포착할 수 있다. 그래프 구조와 벡터 표현의 통합이 관련 엔티티 및 관계의 효율적 검색을 가능하게 하며, 응답 시간을 크게 개선하면서도 맥락적 관련성을 유지한다.

토큰 610,000개가 100개 미만으로

UltraDomain 데이터셋을 활용한 종합 연구에서 LightRAG는 NaiveRAG, GraphRAG, HyDE, RQ-RAG 등 기존 방법론을 일관되게 능가했다. 기존 GraphRAG에서 610,000개 이상의 토큰이 필요한 복잡한 검색 작업을 100개 미만의 토큰으로 처리해 6,000배 개선을 보였고, GraphRAG로 $47이 소요되는 문서 처리를 약 $0.15로 수행했다. 쿼리 지연시간은 표준 RAG 대비 약 30% 감소해 약 80ms(표준 RAG는 약 120ms)를 기록했고, 법률 문서 분석에서 80% 이상의 검색 정확도를 달성해 경쟁 방법론의 6070% 대비 유의미한 개선을 보였다.

⤢✕

재인덱싱 없이 지식을 갱신하다

LightRAG의 실용적 강점 중 하나는 증분 업데이트(Incremental Update) 지원이다. 새 문서 추가 시 전체 외부 데이터베이스를 재처리하지 않고 지식 베이스를 점진적으로 갱신하며, 지속적으로 문서가 추가되는 환경에서 지식 그래프를 최신 상태로 유지한다. 2026년 3월 기준 OpenSearch 통합 스토리지 백엔드와 설정 마법사(Setup Wizard)가 도입돼 Docker를 통한 로컬 배포로 임베딩, 리랭킹, 스토리지 백엔드를 모두 로컬에서 실행할 수 있다.

이 증분 업데이트 기능은 GraphRAG가 전체 문서를 재인덱싱해야 하는 것과 대비되며, 프로덕션 환경에서의 운영 비용을 크게 절감한다.

LightRAG 다음은 무엇인가

LightRAG 이후 DualGraphRAG 등 후속 연구도 등장하고 있다. DualGraphRAG는 복잡한 멀티홉 추론에서 LightRAG의 한계를 보완하기 위해 설계됐으며, NaiveRAG, GraphRAG, LightRAG 대비 벤치마크 데이터셋에서 최고 또는 경쟁적 성능을 달성하면서 효율성도 유의미하게 개선했다. 이는 지식 그래프 기반 RAG 분야가 LightRAG를 기점으로 활발한 연구 경쟁이 진행되고 있음을 보여준다.

LightRAG는 HKUDS 연구팀이 개발한 듀얼 레벨 검색 패러다임 기반의 지식 그래프 RAG 프레임워크로, GraphRAG 대비 토큰 효율성 6,000배, 비용 효율성 약 30배, 검색 정확도 약 10~20%p 개선을 달성했다. Low-Level과 High-Level 검색의 결합으로 세부 사실부터 추상적 관계까지 포괄적으로 탐색하며, 증분 업데이트 지원으로 프로덕션 환경에서의 운영 효율성까지 확보했다. 지식 그래프 기반 RAG의 실용적 기준선을 제시한 프레임워크다.