LightRAG 的双图检索融合机制是其核心创新，通过构建实体本地图（local entity graph）和关系全局图（global relation graph），实现对复杂查询的高效召回与生成优化。这种设计避免了传统 RAG 的扁平向量检索局限，直接在图结构上进行多源 chunk 融合，支持低资源环境下的快速部署。
双图结构的构建原理
LightRAG 先将文档切分成 chunk（默认 chunk_token_size=1200，overlap=100），然后利用 LLM 提取实体与关系，形成三元组。实体节点存储为键值对（Key: 实体名，Value: LLM 生成的描述），关系边同样键值化（Key: 主题关键词，Value: 关系摘要）。去重后合并成双图：本地图聚焦实体及其一跳邻居，提供精确细节；全局图聚焦关系，提供跨实体主题聚合。
这种双图分离提升了检索针对性：本地图处理“谁写了《傲慢与偏见》”等实体查询，全局图处理“人工智能如何影响教育”等主题推理。相比纯向量 RAG，双图减少了噪声，支持多跳扩展（默认检索一跳邻居），实验显示在法律/农业数据集上召回率提升 20-60%。
检索融合的多模式实现
检索入口是 QueryParam，支持 local/global/hybrid/mix/naive 等模式，默认 hybrid。流程：LLM 提取查询关键词 → 向量 DB 匹配（cosine_threshold=0.2）→ 图扩展 → rerank（可选 bge-reranker-v2-m3）→ 上下文融合。
- local 模式：top_k=60 实体检索 + 邻居扩展，max_entity_tokens=6000 控制 token 预算，适合事实查询。
- global 模式：top_k=60 关系检索，max_relation_tokens=8000，聚合多实体摘要。
- hybrid/mix 模式：融合 chunk_top_k=20 文本块 + 图结果，max_total_tokens=30000，确保上下文完整。mix 额外结合向量，提升混合查询。
融合时，按相似度/权重排序，注入 LLM prompt（支持 user_prompt 自定义）。低 token 消耗（<100/query）是关键：仅 1 次 LLM 关键词提取 + 高效图遍历，避免 GraphRAG 的社区遍历（数十万 token）。
参数落地建议：
- 初建：embedding_batch_num=32，llm_model_max_async=4，chunk_overlap_token_size=100。
- 高负载：enable_rerank=True，vector_db_storage_cls_kwargs={"cosine_better_than_threshold":0.3}。
- 监控：summary_context_size=10000，summary_max_tokens=500，确保摘要精炼。
低资源部署清单
LightRAG 天生支持低资源：默认 NanoVectorDBStorage/NetworkXStorage/JsonKVStorage，无需外部 DB。部署步骤：
- 环境：uv pip install lightrag-hku 或 git clone + uv sync。
- 配置：export OPENAI_API_KEY=sk-...；.env 设置 LLM/embedding（如 bge-m3）。
- 初始化：rag = LightRAG(working_dir="./rag_storage", embedding_func=openai_embed, llm_model_func=gpt_4o_mini_complete)；await rag.initialize_storages()。
- 索引：rag.insert("文档内容") 或批量；支持 textract 多格式（PDF/DOCX/PPTX）。
- 查询：rag.query("问题", param=QueryParam(mode="hybrid", top_k=60))。
- Server：lightrag-server 起 Web UI/API，支持 Ollama 兼容。
Docker 一键：docker compose up。生产选 Neo4J/PostgreSQL，workspace 隔离多租户。删除：rag.delete_by_doc_id("id")，自动重建受影响实体。
回滚策略：enable_llm_cache=True 保留缓存；embedding_cache_config={"enabled":True, "similarity_threshold":0.95} 复用相似查询。
实战参数调优与风险规避
复杂查询阈值：若 top_k>100，增 embedding_func_max_async=16。监控：TokenTracker 追踪消耗；Langfuse 集成 observability。
风险：LLM 提取不准 → 用 32B+ 模型（如 Qwen2.5-32B），entity_extract_max_gleaning=1。embedding 固定 → 索引前定 bge-m3（dim=1024）。
双图融合使 LightRAG 在 EMNLP 2025 基准中胜 NaiveRAG 60%、GraphRAG 10-20%，特别全局查询。低资源下，单机 8GB RAM 即可跑千文档。
资料来源：
- GitHub HKUDS/LightRAG README
- arXiv:2410.05779 "LightRAG: Simple and Fast Retrieval-Augmented Generation"
（正文字数：1028）