LightRAG : le RAG à graphe de connaissances, sous RAG-Anything, avis…
Moteur RAG du labo HKUDS (MIT, papier accepté à EMNLP 2025) qui tient un graphe de connaissances en plus des vecteurs. Là où un RAG classique découpe le corpus en morceaux et retrouve les plus proches d'une question, celui-ci extrait aussi les entités et les relations entre elles, puis interroge les deux couches ensemble : le détail précis vient des vecteurs, la vue d'ensemble vient du graphe. C'est la couche qui vit sous RAG-Anything, déjà au catalogue : depuis mai 2026, RAG-Anything a été fusionné dans LightRAG, qui absorbe donc l'ingestion de documents riches (images, tableaux, PDF scannés). S'installe par le paquet Python lightrag-hku.
Forces
- Double couche graphe et vecteurs : le détail local et la vue transverse dans une seule requête
- Coût d'indexation nettement plus contenu que GraphRAG pour un bénéfice de même nature
- Papier EMNLP 2025 et labo identifiable derrière : ce n'est pas un dépôt de démonstration
Limites
- Sur un corpus sans entités récurrentes, le graphe coûte à construire et ne rapporte rien
- La qualité des relations dépend du modèle d'extraction : un graphe faux est pire qu'aucun graphe
- Framework Python à configurer, pas un service managé : compte une vraie phase d'intégration
Pour qui
- Un corpus interne où les mêmes clients, produits ou décisions traversent des dizaines de documents
- Répondre à des questions transverses (« qu'est-ce qui relie ces dossiers ») plutôt qu'à des recherches ponctuelles
- Une équipe qui a testé GraphRAG et reculé devant le coût de la passe d indexation