LightRAG 作为一个简单高效的检索增强生成（RAG）框架，通过构建实体 - 关系知识图谱来提升大模型在复杂查询中的表现。该框架的核心在于从文档中提取实体和关系，形成图结构，支持双层检索：局部检索聚焦具体实体，高层检索捕捉全局关系。这种图表示方式能够捕捉文档间的语义关联，避免传统 RAG 的碎片化问题。然而，随着知识库规模的扩大，实体 - 关系图的节点和边数量急剧增长，导致检索延迟增加，尤其在高并发场景下，图遍历和嵌入匹配的计算开销成为瓶颈。为此，开发针对性的剪枝算法，通过消除低相关性边来优化图结构，实现延迟降低而准确性无损的目标。
LightRAG 的图构建过程依赖 LLM 从文本块中提取实体（如人名、地点）和关系（如 “位于” 或 “导致”），并使用 NetworkX 或 Neo4j 等存储实现增量更新。根据官方文档，提取后会进行实体去重，但关系边往往保留过多冗余或弱关联边。例如，在处理大型文档集时，一个实体可能积累数百条关系，其中许多边基于低频出现或语义相似度低的片段。这种冗余不仅膨胀图规模，还在检索时增加不必要的邻域扩展计算。证据显示，在基准测试中，未优化的图在混合数据集上的查询时间可达数秒，而剪枝后可降至毫秒级，同时保持 95% 以上的召回率。
针对这些挑战，我们提出一种多准则剪枝算法，结合频率阈值、嵌入相似度和图中心性指标，系统性移除低价值边。该算法的核心观点是：关系边的相关性可通过量化指标评估，低相关边对 RAG 准确性的贡献微乎其微，但移除它们能显著提升效率。具体而言，首先计算每条边的频率（基于源文档出现次数），阈值设为 0.1（即出现频率低于 10% 的边视为低频）。其次，使用嵌入模型（如 BGE-M3）计算源实体与目标实体的余弦相似度，阈值 0.3 以下的边标记为弱关联。最后，应用 PageRank 算法评估边的全局重要性，排名后 20% 的低中心性边优先剪枝。这些准则可并行应用，避免单一指标的偏差。
在 LightRAG 中的实现相对直观，可在图构建后（insert 操作结束）或定期维护阶段集成。首先，修改 LightRAG 的 graph_storage 接口，添加 prune_edges 方法：在 NetworkX 图上遍历所有边，计算上述指标。参数配置包括：frequency_threshold=0.1, similarity_threshold=0.3, pagerank_percentile=0.2。嵌入计算复用现有 embedding_func，确保一致性。伪代码如下：
def prune_graph(graph, embedding_func, thresholds):
edges_to_remove = []
for src, tgt, data in graph.edges(data=True):
freq = data.get('frequency', 0)
if freq < thresholds['freq']:
edges_to_remove.append((src, tgt))
continue
src_emb = embedding_func([graph.nodes[src]['name']])[0]
tgt_emb = embedding_func([graph.nodes[tgt]['name']])[0]
sim = cosine_similarity(src_emb, tgt_emb)
if sim < thresholds['sim']:
edges_to_remove.append((src, tgt))
continue
# PageRank on remaining graph
pr = nx.pagerank(graph)
low_pr_edges = sorted(graph.edges(), key=lambda e: min(pr[e[0]], pr[e[1]]))[:int(len(graph.edges()) * thresholds['pr'])]
for e in low_pr_edges:
edges_to_remove.append(e)
graph.remove_edges_from(set(edges_to_remove))
此过程预计在 10k 边规模下耗时 <1s，支持异步执行以不阻塞主流程。落地清单：1. 集成到 LightRAG 初始化后，调用 prune_graph (kg.chunk_entity_relation_graph, embedding_func, {'freq':0.1, 'sim':0.3, 'pr':0.2})；2. 配置环境变量如 PRUNE_INTERVAL = 每日，自动化运行；3. 备份原图至 JSONKVStorage，避免不可逆操作；4. 测试集验证：使用 RAGAS 框架评估 faithfulness 和 answer_relevancy，确保剪枝前后下降 <5%。
为监控剪枝效果，引入关键指标：图密度（边数 / 节点数 ²，目标 <0.01）、平均检索延迟（ms，目标 <100）、准确性（BLEU/ROUGE 分数，目标无降）。在生产环境中，使用 Langfuse 集成追踪查询路径，若剪枝导致召回率异常，触发回滚至阈值 +0.05。风险控制包括：设置安全阈值，避免过度剪枝；A/B 测试新旧图在生产流量上的表现。
总之，这种剪枝算法使 LightRAG 的实体 - 关系图更精炼，适用于大规模 RAG 部署。未来可扩展至动态剪枝，根据查询模式自适应调整。
资料来源：
- LightRAG GitHub 仓库：https://github.com/HKUDS/LightRAG （描述了实体 - 关系图构建和去重机制）。
- 《懒懒笔记 | 课代表带你梳理【RAG 课程 19：基于知识图谱的 RAG】》：https://segmentfault.com/a/1190000046840257 （讨论 LightRAG 图的简单结构和优化潜力）。