先这样答
面试官你好，关于 LightRAG 和 GraphRAG 的对比，我倾向于从机制差异和业务选型来回答。LightRAG 是 GraphRAG 的轻量替代——它们都会抽取实体建图，但分歧在于图结构数据的处理与检索方式。
GraphRAG 的核心是社区聚类并生成层级化摘要，查询时用 map-reduce 方式处理多社区摘要。这在处理全局问题时表现好，但建图成本高昂且难以做增量更新。LightRAG 砍掉了昂贵的社区聚类与摘要生成，改用双层检索机制，保留了低层实体细节和高层主题概览的检索。这使得建图与查询成本大幅低于 GraphRAG，增量更新也更容易实现。代价是，LightRAG 在全局汇总类问题上的深度弱于 GraphRAG 的层级社区摘要。
选型上这三者有明确边界。纯局部问答用向量 RAG 就够。需要做跨文档全局归纳的深度报告选 GraphRAG。想要图结构增强又不想承担 GraphRAG 成本与更新负担选 LightRAG。总体来看，LightRAG 放弃了部分全局深度，换取了工程落地的可行性。
面试官会怎么追问
- 「你说 LightRAG 增量更新更容易，具体是怎么体现的？」 GraphRAG 依赖社区划分和层级摘要，有新文档加入时原有社区结构会被破坏，需重新聚类并重写摘要，计算代价高。LightRAG 没有聚类和摘要步骤，新文档抽取的实体和关系直接追加到现有图结构中。它的双层检索直接依赖实体本身，新数据合并过程更直接。
- 「遇到需要回答全局宏观问题，LightRAG 的双层检索怎么工作？」 LightRAG 会触发高层主题概览的检索路径。它将用户查询与图结构中的高层次节点或关系匹配，提取相关子图。虽然没有预先生成的社区摘要，但它能通过大模型对检索到的高层关系做即时归纳。这种方式能覆盖全局问题，只是深度不及 GraphRAG 的多社区摘要。
- 「真实落地中，图 RAG 相比向量 RAG 的成本主要高在哪？」 高在数据入库阶段的大模型调用开销。LightRAG 和 GraphRAG 都需要大模型遍历文本分块来抽取实体和关系，消耗资源远超纯向量化计算。GraphRAG 还要额外消耗计算资源生成各层级社区摘要，这也是 LightRAG 优化的主要瓶颈。
回答的坑
误以为 LightRAG 放弃了图结构退化成普通 RAG，正确方向是强调它依然抽实体建图，只是用双层检索替代了社区摘要。 盲目强调某一种方案绝对领先，正确方向是按局部问答、图结构增强、跨文档全局归纳三个层次给出递进式的选型建议。
同系列的题
相关深度笔记
—— 本题完 ——