• [2026.05]🎯[새로운 기능]:
  RagAnything을 LightRAG에 통합🎉. MinerU / Docling 서비스를 통한 멀티모달 (Multimodal) 콘텐츠 파싱 및 추출.

• [2026.05]🎯[새로운 기능]: 네 가지 선택 가능한 텍스트 청킹 (Chunking) 전략 도입: Fix, Recursive, Vector, Paragraph.

• [2026.05]🎯[새로운 기능]:
  역할별 LLM 설정 (Role-specific LLM configuration) 지원, 4가지 별도 역할: EXTRACT, QUERY, KEYWORDS, VLM이며 각각 독립적인 LLM 설정을 가짐.

• [2026.03]🎯[새로운 기능]: 통합 스토리지 백엔드로 OpenSearch를 통합하여, LightRAG의 네 가지 스토리지 모두에 대한 포괄적인 지원 제공.

• [2026.03]🎯[새로운 기능]: 설정 마법사(Setup wizard) 도입. Docker를 통한 임베딩 (Embedding), 리랭킹 (Reranking) 및 스토리지 백엔드의 로컬 배포 지원.

• [2025.11]🎯[새로운 기능]: 평가를 위한 RAGAS (RAGAS for Evaluation) 및 추적을 위한 Langfuse (Langfuse for Tracing) 통합. 컨텍스트 정밀도 (Context precision) 지표를 지원하기 위해 쿼리 결과와 함께 검색된 컨텍스트를 반환하도록 API 업데이트.

• [2025.10]🎯[확장성 향상]: 대규모 데이터셋을 효율적으로 (Large-Scale Datasets Efficiently) 지원하기 위해 처리 병목 현상 제거.

• [2025.09]🎯[새로운 기능] Qwen3-30B-A3B와 같은 **오픈 소스 LLM (Open-Sourced LLMs)**에 대한 지식 그래프 (Knowledge graph) 추출 정확도 향상.

• [2025.08]🎯[새로운 기능] 리랭커 (Reranker) 지원 시작, 혼합 쿼리 (Mixed queries)에 대한 성능을 크게 향상 (기본 쿼리 모드로 설정됨).

• [2025.08]🎯[새로운 기능] 최적의 쿼리 성능을 보장하기 위해 자동 KG 재생성을 포함한 문서 삭제 (Document Deletion) 기능 추가.

• [2025.06]🎯[신규 출시] 우리 팀은 텍스트, 이미지, 표, 수식을 원활하게 처리할 수 있는 올인원 멀티모달 RAG (All-in-One Multimodal RAG) 시스템인 RAG-Anything을 출시했습니다.

• [2025.06]🎯[새로운 기능] LightRAG는 이제 RAG-Anything 통합을 통해 포괄적인 멀티모달 데이터 처리를 지원하며, PDF, 이미지, Office 문서, 표, 수식을 포함한 다양한 형식에 대해 원활한 문서 파싱 및 RAG 기능을 제공합니다. 자세한 내용은 새로운 멀티모달 섹션을 참조하십시오.

• [2025.03]🎯[신규 기능 (New Feature)] LightRAG가 이제 인용 (citation) 기능을 지원하여, 적절한 출처 표기 및 향상된 문서 추적성을 제공합니다.

• [2025.02]🎯[신규 기능 (New Feature)] 이제 통합 데이터 관리를 위한 올인원 스토리지 솔루션으로 MongoDB를 사용할 수 있습니다.

• [2025.02]🎯[신규 출시 (New Release)] 저희 팀은 초장기 컨텍스트 (long-context) 비디오 이해를 위한 RAG 시스템인 VideoRAG를 출시했습니다.

• [2025.01]🎯[신규 출시 (New Release)] 저희 팀은 소형 모델 (small models)로 RAG를 더 단순하게 만드는 MiniRAG를 출시했습니다.

• [2025.01]🎯이제 데이터 관리를 위한 올인원 스토리지 솔루션으로 PostgreSQL을 사용할 수 있습니다.

• [2024.11]🎯[신규 리소스 (New Resource)] LearnOpenCV에서 LightRAG에 대한 종합 가이드를 확인할 수 있습니다. — 심층 튜토리얼과 모범 사례 (best practices)를 탐색해 보세요. 이 훌륭한 기여를 해주신 블로그 저자분께 깊은 감사를 드립니다!

• [2024.11]🎯[신규 기능 (New Feature)] LightRAG WebUI를 소개합니다 — 직관적인 웹 기반 대시보드를 통해 LightRAG 지식을 삽입, 질의 및 시각화할 수 있는 인터페이스입니다.

• [2024.11]🎯[신규 기능 (New Feature)] 이제 그래프 데이터베이스 지원을 위해 스토리지용으로 Neo4J를 사용할 수 있습니다.

• [2024.10]🎯[신규 기능 (New Feature)] LightRAG 소개 영상 링크를 추가했습니다. — LightRAG의 역량을 살펴볼 수 있는 가이드입니다. 이 훌륭한 기여를 해주신 저자분께 감사드립니다!

• [2024.10]🎯[신규 채널 (New Channel)] Discord 채널을 개설했습니다!💬 공유, 토론 및 협업을 위해 저희 커뮤니티에 참여하는 것을 환영합니다! 🎉🎉

알고리즘 플로우차트 (Algorithm Flowchart)

Figure 1: LightRAG 인덱싱 플로우차트 (Indexing Flowchart) - Img Caption : Source

Figure 2: LightRAG 검색 및 질의 플로우차트 (Retrieval and Querying Flowchart) - Img Caption : Source

💡 패키지 관리를 위한 uv 사용: 이 프로젝트는 빠르고 신뢰할 수 있는 Python 패키지 관리를 위해 uv를 사용합니다. 먼저 uv를 설치하세요: curl -LsSf https://astral.sh/uv/install.sh | sh

(Unix/macOS) 또는 powershell -c "irm https://astral.sh/uv/install.ps1 | iex"

(Windows)

참고: 선호에 따라 pip를 사용할 수도 있지만, 더 나은 성능과 더 신뢰할 수 있는 의존성 관리 (dependency management)를 위해 uv를 권장합니다.

📦 오프라인 배포 (Offline Deployment): 오프라인 또는 에어갭 (air-gapped) 환경의 경우, 모든 의존성 (dependencies) 및 캐시 파일을 사전 설치하는 방법에 대한 지침이 포함된 오프라인 배포 가이드를 참조하세요.

• PyPI에서 설치

### uv를 사용하여 도구로서 LightRAG Server 설치 (권장)
uv tool install "lightrag-hku[api]"
### 또는 pip 사용
...

• 소스에서 설치

git clone https://github.com/HKUDS/LightRAG.git
cd LightRAG
# 개발 환경 부트스트랩 (권장)
...

• Docker Compose로 LightRAG Server 실행

git clone https://github.com/HKUDS/LightRAG.git
cd LightRAG
cp env.example .env # LLM 및 임베딩 (embedding) 설정을 사용하여 .env 업데이트
...

LightRAG Docker 이미지의 이전 버전은 여기에서 찾을 수 있습니다: LightRAG Docker Images

GitHub Actions에 의해 게시된 공식 GHCR 이미지는 GitHub OIDC를 사용하여 Sigstore Cosign으로 서명되었습니다. 확인 명령은 docs/DockerDeployment.md를 참조하세요.

Docker Desktop이 없는 Apple Silicon (macOS 26) 환경에서는 Apple의 네이티브 container 런타임에서 동일한 Postgres/Neo4j/Milvus 스토리지 스택을 실행할 수 있습니다 — docs/AppleContainerSetup.md를 참조하세요.

env.example을 수동으로 편집하는 대신, 대화형 설정 마법사를 사용하여 구성된 .env 및 필요한 경우 docker-compose.final.yml을 생성하세요:

make env-base # 필수 첫 단계: LLM, 임베딩 (embedding), 리랭커 (reranker)
make env-storage # 선택 사항: 스토리지 백엔드 및 데이터베이스 서비스
make env-server # 선택 사항: 서버 포트, 인증 (auth) 및 SSL
...

모든 타겟에 대한 전체 설명은 docs/InteractiveSetup.md를 참조하세요.

네이티브 docx 파서의 선택적 smart_heading 엔진 파라미터는 문장/개체명 인식 (NER) 휴리스틱을 위해 spaCy를 사용합니다. spaCy 런타임은 이미 api 추가 기능 (extra)에 포함되어 있습니다 — 고정된 두 개의 언어 모델(zh_core_web_sm / en_core_web_sm 3.8.0, PyPI에 게시되지 않은 GitHub release wheels)만 한 단계의 추가 작업이 필요합니다: lightrag-download-cache --spacy --spacy-install

파일/규칙별로 smart_heading 활성화 (예: LIGHTRAG_PARSER=docx:native(smart_heading=true))

), 또는 .env 파일에서 전역적으로 설정할 수 있습니다.

:

# .docx 파일이 네이티브 엔진(native engine)으로 라우팅되면 기본적으로 smart_heading이 적용됩니다;
# 명시적인 native(smart_heading=false) 규칙/힌트를 사용하여 파일에서 해당 기능을 제외할 수 있습니다.
DOCX_SMART_HEADING=true

전역 스위치가 켜져 있거나 (LIGHTRAG_PARSER 규칙에 native(smart_heading=true)가 포함된 경우), 서버는 시작 시 모델을 확인하며, 모델이 누락된 경우 설치 안내와 함께 즉시 오류를 발생시킵니다(fail fast). smart_heading을 활성화하지 않는 배포 환경에서는 모델이 필요하지 않습니다. 메인 Docker 이미지는 모델이 사전 설치되어 제공되지만(lite 이미지는 제외), 폐쇄망(air-gapped) 호스트의 경우 오프라인 배포 가이드(Offline Deployment Guide)를 참조하십시오.

LightRAG는 경량 지식 그래프(knowledge-graph) RAG 프레임워크이며, Microsoft GraphRAG의 효율적인 대안입니다. LightRAG는 지식 그래프 (KG)와 벡터 임베딩 (vector embeddings)을 모두 관리하기 위해 이중 계층 구조 (dual-layer architecture)를 채택하여, 전통적인 벡터 기반 RAG와 그래프 기반 RAG 접근 방식 사이의 간극을 효과적으로 메웁니다. 높은 확장성을 위해 설계된 LightRAG는 과도한 계산 오버헤드 (computational overhead), 느린 응답 시간, 높은 증분 업데이트 (incremental updates) 비용을 포함하여 대규모 그래프 인덱싱 및 검색에서의 주요 과제들을 해결합니다. 대규모 데이터셋을 지원하면서도, LightRAG는 30B 오픈 소스 거대 언어 모델 (LLM)과 결합될 때 매우 높은 RAG 품질을 제공할 수 있습니다.

심층적 문맥 이해 (Deep Contextual Understanding): 그래프 구조 인덱싱 (graph-structured indexing)을 통해, LightRAG는 엔티티 (entities) 간의 복잡한 의미론적 의존 관계를 포착하여 기존의 청크 기반 검색 (chunk-based retrieval) 방식에서 전형적으로 나타나는 파편화된 문맥의 한계를 극복합니다. LightRAG의 생성 품질과 문맥 인식 능력은 전역적 이해나 논리적 추론이 필요한 수직적 도메인 (예: 법률, 금융)에서 특히 탁월합니다.

뛰어난 포괄성 및 다양성 (Exceptional Comprehensiveness & Diversity): LightRAG의 이중 레벨 검색 (dual-level retrieval) 메커니즘은 세부적인 사실과 추상적인 개념을 동시에 통합할 수 있게 합니다. 이를 통해 시스템은 질의 결과의 포괄성과 다양성 측면에서 놀라운 성능을 달성하며, 복잡한 교차 문서 질의 (cross-document queries)를 처리하는 데 매우 효과적입니다.

극도로 높은 검색 효율성 및 낮은 비용 (Extreme Retrieval Efficiency & Low Cost): LightRAG는 복잡한 질의를 처리할 때 비효율적인 커뮤니티 리포트 (community reports)나 멀티 홉 추론 (multi-hop reasoning)에 의존하지 않습니다. 이는 인덱싱 (indexing) 및 질의 (querying) 단계 모두에서 필요한 LLM 호출 횟수를 획기적으로 줄여주며, 응답 지연 시간 (latency)과 LLM 연산 비용을 크게 낮춥니다.

동적 데이터에 대한 빠른 적응 (Rapid Adaptation to Dynamic Data): LightRAG는 원활한 점진적 지식 베이스 업데이트를 지원합니다. 새로운 데이터는 표준 그래프 인덱싱 파이프라인을 거쳐 로컬 그래프 (local graph)를 생성하기만 하면 되며, 생성된 그래프는 집합 병합 (set merging)을 통해 기존 그래프에 직접 통합됩니다. 이 과정은 기존 구조를 파괴하거나 전역 인덱스 (global index)를 재구축할 필요가 없게 하여, 동적인 데이터 환경에서 실시간 관련성을 보장합니다. 문서를 삭제할 때는 구축 단계의 LLM 캐싱 (caching)을 활용하여 영향을 받는 엔티티 관계를 빠르게 재구축함으로써, 지식 베이스 업데이트 효율성을 대폭 향상시킵니다.

v1.5 버전부터 LightRAG는 멀티모달 (multimodal) 문서에 대한 분석 및 검색 기능을 공식적으로 도입했습니다:

멀티 엔진 문서 파싱 (Multi-Engine Document Parsing): 문서 처리 파이프라인이 MinerU, Docling, Native와 같은 파싱 엔진을 지원하여, 문서로부터 텍스트, 표, 수식 및 이미지를 매우 효율적으로 추출할 수 있습니다.

교차 모달 엔티티 및 관계 매핑 (Cross-Modal Entity & Relation Mapping): 통합된 프레임워크 내에서 교차 모달 엔티티 추출 및 관계 매핑을 달성하여, 원활한 인덱싱 (indexing) 및 쿼리 (querying)를 가능하게 합니다.

향상된 애플리케이션 시나리오 (Enhanced Application Scenarios): 완전히 새로운 멀티모달 처리 파이프라인은 운영 매뉴얼이나 학술 논문과 같이 멀티모달 콘텐츠가 풍부한 문서에 대한 RAG 품질을 크게 향상시킵니다.

LightRAG 서버는 LightRAG의 기능을 탐색할 수 있는 웹 기반 UI뿐만 아니라 포괄적인 REST API도 제공합니다. LightRAG 서버에 대한 자세한 정보는 LightRAG Server를 참조하십시오.

LightRAG는 워크플로 과정에서 네 가지 서로 다른 역할을 수행하는 LLM/VLM을 필요로 합니다. 성능과 처리 속도 사이의 균형을 맞추기 위해 각 역할에 따라 서로 다른 능력과 속도를 가진 모델을 구성해야 합니다. LightRAG는 문서로부터 복잡한 엔티티-관계 추출 (entity-relation extraction) 작업을 수행하도록 LLM에 요구하기 때문에, 전통적인 RAG보다 대규모 언어 모델 (LLM)에 대해 더 높은 역량을 요구합니다. 쿼리 (query) 단계 동안 LLM은 엔티티, 관계 및 텍스트 청크 (text chunks)를 포함한 방대한 양의 검색된 정보를 처리해야 합니다. 이는 모델이 길고 노이즈가 많은 문맥 (context) 속에서도 고품질의 응답을 생성할 수 있는 능력을 갖출 것을 요구합니다.

역할별 권장 모델:

추출 LLM (Extraction LLM): 엔티티-관계 추출은 모든 텍스트 청크에서 실행되므로, 빠르고 비용 효율적인 주류 모델이면 충분합니다 — EXTRACT

)"non-thinking" 모델(추론/사고 모드 비활성화)을 강력히 권장합니다. 이는 느리고 비용이 많이 드는 추출 과정을 피하기 위함입니다. 해외에서 사용 가능한 좋은 호스팅 옵션으로는 GPT-5.6-luna, Claude Haiku, 또는 Gemini-mini 등이 있으며, 중국에서는 DeepSeek-V4-lite 또는 Kimi가 있습니다. 로컬 배포의 경우, Qwen3-30B-A3B-Instruct가 합리적인 최소 사양입니다.

Query LLM (: 이 모델은 길고 노이즈가 많은 검색된 컨텍스트(context)로부터 최종 답변을 작성하므로, 답변 품질을 극대화하기 위해 추출(extraction) 모델보다 더 강력한 모델이어야 합니다. 동일한 제품군 내에서 더 높은 티어의 모델을 선택하십시오. 여기서는 사고(thinking) 능력이 있는 모델을 사용해도 괜찮습니다.

Keyword LLM (: 지연 시간(latency)에 민감한 경량 단계로, 쿼리 지연 시간을 낮게 유지하기 위해 반드시 non-thinking 모델을 사용해야 합니다. 추출 모델과 대등한 수준의 빠른 모델이면 충분합니다.

VLM (: 이미지 입력 지원이 가능한 모든 주류 멀티모달(multimodal) 모델이 작동합니다. 로컬 배포를 고려한다면 Qwen3.6-35B-A3B를 고려하십시오.

허용 가능한 지연 시간 및 비용 예산 범위 내에서, 사용 가능한 모델 중 가장 높은 점수를 받은 모델(공개 벤치마크/리더보드 기준)을 선호하십시오. 상세한 모델 구성에 대해서는 RoleSpecificLLMConfiguration.md를 참조하십시오.

LightRAG는 다섯 가지 쿼리 모드를 지원합니다: