在检索增强生成（RAG）系统中，知识图谱（KG）的构建是提升检索准确性和全局理解的关键步骤。LightRAG 作为一种简单高效的 RAG 框架，通过双层图构建机制，从非结构化文本中提取实体和关系，形成一个轻量级的知识图谱。这种方法避免了传统 RAG 中依赖密集向量索引的计算开销，同时支持增量更新，实现可扩展性。本文聚焦于 LightRAG 中的双层实体提取和关系图工程化过程，探讨其核心观点、实现证据以及可落地的工程参数和优化清单，帮助开发者在实际项目中高效部署。
LightRAG 的双层图构建核心在于将知识表示为实体层（Entity Graph）和关系层（Relation Graph），其中实体层捕捉文档中的核心概念，关系层连接这些概念形成语义网络。这种双层设计源于对非结构文本的处理需求：直接从原始文本中提取结构化知识，而非依赖预训练的嵌入模型进行全文本索引。观点上，这种方法强调“轻量提取优先”，即使用大语言模型（LLM）进行针对性提示工程，仅提取必要实体和关系，从而减少存储和查询时的计算负担。证据显示，在 UltraDomain 数据集上的实验中，LightRAG 的全局检索（基于实体图）在综合性（Comprehensiveness）和多样性（Diversity）指标上显著优于传统 NaiveRAG 和 HyDE，整体胜率达 60%-85%。
工程过程从文本预处理开始。首先，文档被切分成重叠的文本块（chunks），每个块大小控制在 1200 个 token，重叠 100 个 token，以保留上下文连贯性。这一步使用 TikToken 分词器（默认 gpt-4o-mini 模型）确保 token 计数准确，避免 LLM 输入超出上下文窗口。接下来，针对每个文本块，LLM 被提示提取实体：包括实体名称、类型（例如 person、organization、location）、描述（简短总结）。提取提示通常指定实体类型列表，如 ["organization", "person", "location", "event"]，以引导 LLM 聚焦领域相关概念。同时，关系提取生成源实体、目标实体、描述、关键词和权重（表示关联强度，默认 1.0）。
提取后的实体可能出现同名冗余，LightRAG 通过 LLM 合并机制处理：收集所有相关描述，输入一个总结提示（上下文大小上限 10000 token，输出 max 500 token），生成统一的实体描述。这种合并确保知识图谱的紧凑性，避免节点爆炸。关系则直接存储为有向边，权重可通过后续 node2vec 算法（当前未启用）进一步优化嵌入，但默认使用余弦相似度阈值 0.2 过滤低相关边。整个过程支持异步并行：LLM 调用 max_async=4，嵌入批次大小 32，以加速大规模文档处理。证据来自 LightRAG 的索引流程图：从块提取到图构建，整个管道在单机环境下处理 1000 页文档仅需数小时，远低于 GraphRAG 的全图索引时间。
双层图的构建还涉及嵌入生成：实体和关系描述使用嵌入模型（如 BAAI/bge-m3，维度 1024）转换为向量，存储在 NanoVectorDB（默认）或 PGVector 等后端。同时，文本块嵌入存储在向量数据库，支持本地检索。图存储使用 NetworkX（默认）表示实体-关系网络，支持 Neo4j 等图数据库扩展。这种混合存储确保查询时可无缝切换：全局模式遍历 KG 路径，本地模式检索 top_k=60 个相关块。LightRAG 的增量性体现在删除和插入操作：删除文档 ID 时，仅重建受影响的实体描述，而非全图重构，证据是其文档状态存储（JsonDocStatusStorage）跟踪处理进度，支持并行管道。
为实现可落地部署，以下是 LightRAG 双层图构建的关键参数和优化清单：
-
LLM 配置：
- 推荐模型：≥32B 参数，如 gpt-4o 或 Llama-3.1-70B，上下文 ≥32K token（推荐 64K）。
- 提取循环：entity_extract_max_gleaning=1（避免过度迭代，节省成本）。
- 异步并发：llm_model_max_async=4，平衡速度与 API 限流。
- 附加参数：addon_params={"language": "Chinese", "entity_types": ["person", "organization", "concept"]}，自定义领域实体。
-
嵌入与分块参数：
- 嵌入模型：BAAI/bge-m3（多语言支持），批次 embedding_batch_num=32，异步 max=16。
- 分块：chunk_token_size=1200，chunk_overlap_token_size=100；tokenizer="gpt-4o-mini"。
- 向量阈值：cosine_better_than_threshold=0.2，过滤低相似嵌入。
- 缓存启用：enable_llm_cache=True，enable_llm_cache_for_entity_extract=True，加速重复提取。
-
图构建与存储清单：
- 图存储：NetworkX（开发），Neo4j（生产，URI: bolt://localhost:7687）。
- 合并总结：summary_context_size=10000，summary_max_tokens=500。
- 查询参数：top_k=60（实体/关系），chunk_top_k=20（块检索）；模式="hybrid" 结合双层。
- 监控点：使用 TokenTracker 跟踪 LLM token 消耗；RAGAS 评估框架验证提取准确率（目标 >80% 召回）。
-
风险缓解与回滚策略：
- 风险：LLM 幻觉导致提取错误——解决方案：多轮 gleaning（max=2），后验证人工审核样本。
- 限制：小模型（如 <32B）准确率低——回滚到 NaiveRAG 模式，或使用 Reranker（如 BAAI/bge-reranker-v2-m3）增强。
- 规模扩展：max_parallel_insert=4（<10），结合 PostgreSQL 一站式存储（KV+Vector+Graph）。
- 测试清单：小数据集（如 Dickens 小说）验证提取完整性；A/B 测试双层 vs 单层检索胜率。
通过这些参数，开发者可在本地或云环境快速搭建 LightRAG 图构建管道。例如，使用 OpenAI API 初始化：embedding_func=openai_embed，llm_model_func=gpt_4o_mini_complete。实际落地中，监控 LLM 缓存命中率（目标 >70%）和图节点密度（<1000/文档），确保系统高效运行。
总之，LightRAG 的双层图构建体现了 RAG 工程化的精髓：以 LLM 为核心的智能提取，结合轻量存储实现无开销扩展。这种方法特别适合处理领域特定文档，如法律或科研文本，提升查询的全局洞察力。
资料来源：