LightRAG의 듀얼 레벨 검색과 지식 그래프 RAG 운영

문서 그래프를 듀얼 레벨 검색 경로로 사용한다

LightRAG는 홍콩대학교 HKUDS 연구팀이 개발한 지식 그래프 기반 RAG(Retrieval-Augmented Generation) 프레임워크이며, EMNLP 2025에서 발표되었다. 기존 GraphRAG와 비교해 토큰 사용량을 6,000배 절감하면서 검색 정확도에서 일관된 우위를 보였고, 세부 정보와 추상적 관계를 함께 찾기 위한 듀얼 레벨 검색 패러다임을 제시한다.

문서를 처리할 때는 LLM으로 이름·날짜·장소·이벤트 같은 엔티티와 엔티티 사이의 관계를 추출한다. 이 결과를 전체 문서 컬렉션에 걸친 지식 그래프로 연결한 뒤, 서로 다른 검색 목적을 위한 두 종류의 인덱스를 만든다.

⤢✕

사실 조회와 관계 탐색을 분리하는 검색 방식

Low-Level 검색은 특정하고 세분화된 정보를 대상으로 한다. 개별 노드와 엣지에 집중하므로 "Mechazilla란 무엇인가?" 같은 질문에 맞는다.

High-Level 검색은 넓은 개념과 관계를 집약해 멀티홉 또는 추상적 질의를 처리한다. "Elon Musk의 비전은 어떻게 지속가능성을 촉진하는가?"처럼 여러 관계를 거쳐야 하는 질문이 여기에 속한다.

두 결과를 결합하면 단순 키워드 매칭만으로는 잡기 어려운 관계와 문맥을 검색할 수 있다. 그래프 구조와 벡터 표현을 함께 사용해 관련 엔티티와 관계를 찾고, 맥락적 관련성을 유지하면서 응답 시간을 개선하는 구조다.

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

UltraDomain에서 나타난 효율성과 정확도

UltraDomain 데이터셋을 활용한 연구에서 LightRAG는 NaiveRAG, GraphRAG, HyDE, RQ-RAG를 일관되게 능가했다.

복잡한 검색 작업에서 GraphRAG가 610,000개 이상의 토큰을 요구할 때 LightRAG는 100개 미만의 토큰으로 처리했으며, 이는 6,000배 개선이다. 문서 처리 비용은 GraphRAG의 $4~7에서 약 $0.15로 제시됐다.

쿼리 지연시간은 표준 RAG보다 약 30% 낮았으며, 약 80ms 지연시간은 표준 RAG의 약 120ms와 대비된다. 법률 문서 분석에서는 80% 이상의 검색 정확도를 기록했고, 경쟁 방법론의 60~70%보다 유의미하게 높았다.

새 문서를 전체 재색인 없이 반영한다

LightRAG는 증분 업데이트(Incremental Update)를 지원한다. 새 문서가 추가되더라도 전체 외부 데이터베이스를 다시 처리하지 않고 지식 베이스를 점진적으로 갱신할 수 있다. 지속적으로 문서가 들어오는 환경에서 지식 그래프를 최신 상태로 유지하는 데 맞는 특성이다.

2026년 3월 기준으로 OpenSearch 통합 스토리지 백엔드와 설정 마법사(Setup Wizard)가 도입됐으며, Docker를 통한 로컬 배포도 지원한다. 임베딩, 리랭킹, 스토리지 백엔드를 로컬에서 실행할 수 있다.

이는 새 데이터가 유입될 때 전체 문서를 재인덱싱해야 하는 GraphRAG와 대비된다. 프로덕션 환경에서는 운영 비용을 크게 줄일 수 있는 차이다.

DualGraphRAG가 확장한 멀티홉 추론의 범위

LightRAG 이후에는 DualGraphRAG 같은 후속 연구도 등장했다. DualGraphRAG는 복잡한 멀티홉 추론에서 LightRAG의 한계를 보완하도록 설계됐으며, NaiveRAG·GraphRAG·LightRAG와 비교한 벤치마크 데이터셋에서 최고 또는 경쟁적 성능을 보이면서 효율성도 유의미하게 개선했다.

LightRAG는 Low-Level과 High-Level 검색을 결합해 세부 사실부터 추상적 관계까지 탐색한다. GraphRAG 대비 토큰 효율성 6,000배, 비용 효율성 약 30배, 검색 정확도 약 10~20%p 개선과 함께 증분 업데이트를 제공하며, 지식 그래프 기반 RAG의 실용적 기준선을 제시한 프레임워크다.