在检索增强生成（RAG）系统中，处理复杂多跳查询是提升响应准确性和上下文连贯性的关键挑战。LightRAG 通过引入双图检索机制和融合层设计，有效解决了传统 RAG 在捕捉实体间关系时的局限性。这种设计特别适用于无嵌入依赖的图谱检索场景，能够在保持高效性的前提下，实现对多源信息的智能聚合和优化排序，从而生成更全面、相关的回答。
LightRAG 的核心在于其基于知识图谱（KG）的索引和检索框架。它首先从文档中提取实体（如“养蜂人”、“蜜蜂”）和关系（如“管理”），构建实体图和关系图，形成双图结构。这种双图设计允许系统在低层检索中聚焦具体实体及其直接属性，而在高层检索中扩展到关系路径，实现多跳推理。例如，对于查询“气候变化如何影响养蜂业？”，低层检索可能匹配“气候变化”和“蜜蜂”实体，高层则通过关系路径如“气候变化→影响→蜜蜂→依赖→养蜂人”聚合全局上下文。这种机制避免了传统向量检索的扁平化问题，确保了信息间的结构化关联。
融合层是 LightRAG 检索优化的关键组件。它负责合并双图检索结果，通过分数聚合和重排序机制提升准确性。在融合过程中，系统首先使用关键词匹配在向量数据库中检索相关实体和关系，阈值设置为余弦相似度大于 0.2 的结果。随后，扩展到一阶邻居节点，纳入高阶关联路径，这相当于实现了 embedding-free 的图遍历优化，避免了全图搜索的计算开销。证据显示，这种路径扩展能将多跳查询的召回率提升 20% 以上，因为它直接利用实体-关系三元组捕捉隐含依赖，而非依赖纯嵌入相似度。
分数聚合采用加权机制：实体分数基于关键词匹配度（top_k=60），关系分数则考虑路径权重（默认 1.0，可调整至 2.0 以强调强关联）。对于混合查询，hybrid 模式下，local（实体级）和 global（关系级）结果按 0.6:0.4 比例融合，确保平衡精确性和全面性。重排序则集成 reranker 模型，如 BAAI/bge-reranker-v2-m3，它对检索到的 chunk（top_k=20）进行语义重排，过滤噪声，提升最终上下文的质量。实验结果表明，在 UltraDomain 数据集上，这种融合设计使全面性得分达 67.6%，多样性提升至 76.4%，远超 NaiveRAG 的 32.4% 和 23.6%。
在无嵌入设置下，LightRAG 的融合层依赖图结构和关键词索引，这降低了计算成本（检索仅需 <100 tokens 和 1 次 API 调用），但也引入了 LLM 提取噪声的风险。为此，设计时需监控实体提取准确率（目标 >90%），并设置回滚策略：若融合分数低于阈值（e.g., 0.5），则 fallback 到 naive 模式。
工程落地时，可按以下清单配置融合层：
-
索引构建：使用 GPT-4o-mini 提取实体-关系，chunk_size=1200, overlap=100。启用去重（D(·) 函数），合并重复节点。
-
检索参数：QueryParam(mode="hybrid", top_k=60, chunk_top_k=20, cosine_threshold=0.2）。对于多跳查询，启用邻居扩展（depth=1）。
-
融合聚合：实现自定义 scorer：entity_score = cosine_sim * 0.6 + path_weight * 0.4。使用环境变量调整权重，如 MAX_ENTITY_TOKENS=6000。
-
重排序集成：注入 rerank_func（如 cohere_rerank），enable_rerank=True。监控 rerank 延迟（<500ms），若超阈值，禁用并日志警告。
-
监控与优化：集成 Langfuse 追踪融合 token 使用（目标 <8000/查询）。风险控制：LLM 缓存启用（enable_llm_cache=True），若提取失败率 >5%，回滚到备份 KG。
-
存储选择：小规模用 NetworkX，大规模用 Neo4j（URI=bolt://localhost:7687），确保增量更新（union 操作）支持动态数据。
通过这些参数，融合层可在生产环境中实现 99% 的查询响应时间 <2s，同时保持多跳准确率 >80%。在实际部署中，建议从小数据集（如 Dickens 小说）测试融合效果，逐步扩展到领域特定知识（如法律文档），验证路径聚合的鲁棒性。
资料来源：LightRAG GitHub 仓库（https://github.com/HKUDS/LightRAG），arXiv 论文（2410.05779）。