# 向量 RAG、GraphRAG 與 LightRAG 比較（2026）｜Super Cat 指南

> 比較向量 RAG、Microsoft GraphRAG 與 LightRAG：各自索引甚麼、適合回答哪類問題、運行成本如何，以及怎樣揀選。

Source: https://www.super-cat.tech/zh-hk/guides/vector-rag-vs-graphrag-vs-lightrag  
Last modified: 2026-10-25

[主頁](https://www.super-cat.tech/zh-hk)/ [指南](https://www.super-cat.tech/zh-hk/guides)

# 向量 RAG、GraphRAG 與 LightRAG：應該用哪一種？

先用向量 RAG：它適合答案集中在幾段文字內的問題，建置和運行成本最低。用戶要問整個文件庫的問題，例如「主要主題是甚麼」，才加上 GraphRAG；想要知識圖譜但不想要社群摘要，可以考慮 LightRAG。截至 2026 年，Super Cat Technology 只在向量檢索不足的地方才加入圖譜。
[Cat Yung](https://www.super-cat.tech/zh-hk/cat-yung)，Super Cat Technology 創辦人 發佈 2026年10月25日

重點

- 決定因素是問題，不是工具：單段落查詢、跨文件問題和整個文件庫的問題，需要不同的檢索方式。

- Microsoft 的 GraphRAG 論文指出，標準 RAG 答不到針對整個文件庫的全局問題，GraphRAG 正是為此而設。

- LightRAG 把圖譜放進索引和檢索，但不使用社群報告；其文件說明支援增量更新和刪除文件。

- 兩種圖譜方法都要用 LLM 讀過你的文件來抽取實體，索引成本高於向量 RAG，也需要自己的評估。

## 向量 RAG、GraphRAG 與 LightRAG 有甚麼分別？

三者都是先從你的文件檢索，再由 LLM 寫出答案，分別在於索引的內容。向量 RAG 把文字分塊後以嵌入向量索引。GraphRAG 和 LightRAG 則多一步：由 LLM 把實體和關係抽取成知識圖譜，再透過圖譜檢索。
三步動畫。向量 RAG：問題轉成向量，揀出最接近的文字分塊，LLM 根據這些分塊作答。GraphRAG：LLM 抽取實體和關係，把實體分成社群，再為每個社群撰寫摘要。LightRAG：宏觀概念和具體事實同時對應問題，再用連結合成一個答案。向量 RAG

- 1 問題轉成向量

- 2 揀出最接近的文字分塊

- 3 LLM 根據這些分塊作答

GraphRAG

- 1 LLM 抽取實體和關係

- 2 把實體分成社群

- 3 為每個社群撰寫摘要；用摘要回答整個文件庫的問題

LightRAG

- 1 宏觀概念對應問題的主題

- 2 具體事實對應問題的細節

- 3 連結把兩個層次合成一個答案

| 方法 | 索引內容 | 適合 | 要留意 |
| --- | --- | --- | --- |
| 向量 RAG | 文字分塊的嵌入向量，檢索最相似的前 k 個 | 答案在一段或幾段文字內的問題 | 答不到針對整個文件庫的問題；平面分塊可能傳回零碎答案 |
| GraphRAG（Microsoft） | 知識圖譜、社群層級結構，以及每個社群的摘要 | 針對整個文件庫的問題，例如主要主題 | 索引時要用 LLM 處理全部文件；文件強烈建議調校提示詞 |
| LightRAG（香港大學） | 知識圖譜加向量，分兩個層次檢索：具體事實和宏觀概念 | 跨文件問題，而且想要較輕量、較易更新的圖譜 | 每個分塊都要用 LLM 抽取；預設儲存不適合正式環境 |

## 甚麼時候向量 RAG 已經足夠？

答案在一段或少數幾段文字內，向量 RAG 便已足夠，例如一條規則編號、一個條款、表格內的一個數字，或一套程序。大部分企業問答都屬這一類，也是應該先建置和量度的基線。
Super Cat Technology 為[四大會計師行建置的本地部署 RAG 系統](https://www.super-cat.tech/zh-hk/portfolio/enterprise-rag-big-4)就以這一層為基礎。它把關鍵字檢索與語義檢索混合，比例約為 30 比 70，因為規則編號和名稱正是單靠嵌入向量最容易漏掉的內容，而且每個答案都附上來源段落。系統的質素主要來自解析和檢索調校，而不是圖譜。

## 甚麼時候需要 GraphRAG？

用戶要問整個文件庫的問題時，便需要 GraphRAG。Edge 等人的 GraphRAG 論文（2025 年 2 月修訂版）指出，RAG 答不到「資料集的主要主題是甚麼？」這類全局問題，因為這是摘要任務，不是檢索任務。
GraphRAG 的做法是抽取知識圖譜、建立社群層級結構，再為每個社群產生摘要。其文件列出四種查詢模式：針對社群摘要的全局搜尋、圍繞特定實體的本地搜尋、DRIFT 搜尋，以及處理普通 RAG 已能應付的問題的基本向量搜尋。你需要按自己的數據調校它的提示詞。

## 甚麼時候 LightRAG 是較好的圖譜選擇？

想要跨文件的圖譜檢索，但不想要社群報告那一套機制，LightRAG 便較合適。Guo 等人的論文（2025 年 4 月修訂版）描述它把圖譜結構放進索引，並以雙層檢索系統同時涵蓋低層的具體事實和高層的宏觀概念。
其維護者表示，它避開社群報告，因此減少 LLM 呼叫次數，並支援增量更新和選擇性刪除文件。圖譜儲存方面，它支援 Neo4j 和 Memgraph；文件建議以 PostgreSQL 作為正式環境的單一後端。預設的記憶體儲存只供測試。

## 圖譜式 RAG 有哪些風險？

圖譜帶來新能力，也帶來新的故障方式。決定採用之前，應先考慮以下幾點：

- **索引成本。**兩種方法都要用 LLM 讀過你的文件，抽取實體和關係。LightRAG 的文件指出，無論是抽取，還是從冗長而雜亂的上下文寫出答案，所需模型都比傳統 RAG 更強。

- **抽取質素。**圖譜只會和 LLM 抽取出的實體一樣好。GraphRAG 的文件指出，開箱即用的結果未必最理想，並建議調校提示詞。

- **嵌入模型被鎖定。**LightRAG 的文件指出，嵌入模型必須在索引前選定；更換便要重新嵌入全部內容，而且目前沒有重新嵌入的工具。

- **解析錯了，圖譜也錯。**表格從中間被切開，或掃描件讀不出來，建出來的圖譜只會承繼這些錯誤。在採用任何檢索方法之前，應先做好版面感知解析和 OCR。

## 應該怎樣揀選？

按用戶實際會問的問題來揀選。以下例子顯示各類問題對應的方法：

| 問題例子 | 類型 | 先用 |
| --- | --- | --- |
| 保單第 4.2 條寫了甚麼？ | 單一段落 | 向量 RAG 加關鍵字檢索 |
| 哪些供應商同時出現在合約和審計報告內？ | 跨文件 | LightRAG，或 GraphRAG 本地搜尋 |
| 500 份申報文件的主要風險是甚麼？ | 整個文件庫 | GraphRAG 全局搜尋 |

然後按以下次序進行：

- 建立附有引用的向量加關鍵字基線，並建立一套已標註的評估集。

- 把基線答錯的問題分類：單一段落、跨文件，還是整個文件庫。

- 只為跨文件或整個文件庫的失敗個案加入圖譜，然後重新執行評估。

- 無論由哪種方法檢索，每個答案都保留來源引用。

數據屬機密時，以上全部都可以在你自己的基建上運行。Super Cat 為家族辦公室建置的[私有本地部署平台](https://www.super-cat.tech/zh-hk/portfolio/super-chain-family-office)，就是對研究資料和持倉進行檢索，並為每個答案附上引用。至於自建還是購買的決定，請參閱[香港企業 RAG 方案：自建還是購買平台？](https://www.super-cat.tech/zh-hk/guides/enterprise-rag-hong-kong-build-vs-buy)。

## 常見問題

### 甚麼是 GraphRAG？

GraphRAG 是 Microsoft Research 的檢索方法：從你的文件抽取知識圖譜，建立社群層級結構，並為每個社群撰寫摘要。它專為針對整個文件庫的全局問題而設，GraphRAG 論文指出標準 RAG 答不到這類問題。

### LightRAG 比 GraphRAG 好嗎？

兩者沒有絕對的優劣。LightRAG 的維護者聲稱，由於不使用社群報告，索引和查詢成本較低；GraphRAG 則專為整個文件庫的摘要問題而設。揀選之前，應用你自己的問題和已標註的評估集分別測試。

### 做圖譜式 RAG 一定要用 Neo4j 這類圖譜資料庫嗎？

起步時不需要。LightRAG 預設使用記憶體儲存，只供測試。正式環境方面，其文件建議以 PostgreSQL 作為單一後端，同時支援以 Neo4j 和 Memgraph 儲存圖譜，所以圖譜資料庫只是其中一個選項，並非必要條件。

### 圖譜式 RAG 可以在自己的伺服器上運行嗎？

LightRAG 可以。其文件說明可透過 Docker 在本地部署嵌入、重排序和儲存元件，並把 Qwen3-30B-A3B-Instruct 列為本地抽取模型的合理最低要求。Super Cat Technology 為機密數據建置本地部署的檢索系統。

## 資料來源

- [Lewis 等，Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks（arXiv 2005.11401）](https://arxiv.org/abs/2005.11401) (2020 年 5 月)

- [Edge 等，From Local to Global: A Graph RAG Approach to Query-Focused Summarization（arXiv 2404.16130）](https://arxiv.org/abs/2404.16130) (2025 年 2 月修訂)

- [Microsoft，GraphRAG 文件](https://microsoft.github.io/graphrag/) (2026 年 10 月查閱)

- [Guo 等，LightRAG: Simple and Fast Retrieval-Augmented Generation（arXiv 2410.05779）](https://arxiv.org/abs/2410.05779) (2025 年 4 月修訂)

- [HKUDS，LightRAG 程式庫及文件](https://github.com/HKUDS/LightRAG) (2026 年 10 月查閱)

企業 RAG：自建還是購買 →
何時平台已經足夠，何時應自建。
香港 RAG 方案 →
服務內容和已交付的系統。
四大 RAG 案例 →
混合檢索，每個答案附上來源段落。
關於 Cat Yung →
主導 RAG 工作的創辦人。

## 關於作者

[Cat Yung](https://www.super-cat.tech/zh-hk/cat-yung)是 Super Cat Technology 創辦人，團隊在香港及倫敦開發 AI Agent，並以 AI 專家、Data Scientist 及兼職 CTO 身份與企業合作。擁有逾十年生產級 AI、NLP 及機器學習經驗；Upwork Expert-Vetted 頂尖 1%，Job Success Score 100%（來源：Upwork 個人檔案，2026 年 10 月）。

First-Sprint Data Scientist

## 一位經審核的工程師加入你的團隊，第一個 Sprint 完結前交付成果。

在下面揀選時間，與你通話的是我本人。請帶同用例、數據及限制條件，我會就可行性、工作量及首個應交付的項目，給予直接而具體的意見。
[預約通話](https://calendly.com/super-chain/catyung?utm_source=super-cat.tech&utm_campaign=first-sprint-data-scientist&utm_content=zh-hk%2Fguides%2Fvector-rag-vs-graphrag-vs-lightrag)Cat Yung
配合香港及倫敦時區

預約通話 · 與 Cat Yung 通話 30 分鐘