LightRAG作为一款高效的图增强RAG框架，通过边提炼（edge distillation）机制构建双图索引结构，实现低延迟检索融合。该方法针对传统RAG的扁平表示问题，将文本分块后提取实体（节点）和关系（边），利用LLM生成键值对并去重，形成实体图和关系图的双层索引。这种边提炼过程浓缩了原始文本中的关联信息，支持双层检索：低层精确匹配实体，高层聚合关系主题，从而在复杂查询中融合全局上下文。
在索引阶段，边提炼的核心是关系提取与剖析。首先将文档切分为chunk（推荐大小1200 tokens），调用LLM执行R(·)函数提取实体-关系对，例如从“心脏病专家诊断心脏疾病”中抽取“心脏病专家”→“诊断”→“心脏疾病”。随后P(·)函数为每个边生成键值对：键为低层关键词（如“诊断”）和高层的主题关键词（如“医疗流程”），值为提炼摘要。这一步显著压缩噪声，确保边向量嵌入高效存储于NanoVectorDB中。D(·)去重合并重复边，优化图规模。
参数调优是落地关键。embedding_dim设为768，与node2vec_params匹配：dimensions=768、num_walks=10、walk_length=40、window_size=2、iterations=3、random_seed=3。这些node2vec参数生成图嵌入，支持关系边的语义表示，避免纯向量检索的局部偏差。entity_extract_max_gleaning=1，确保单轮LLM提取完整，若需多轮迭代可增至2-3，但增加成本。chunk大小调优：农业/法律数据集用1200，计算机科学用800-1000，平衡召回与粒度。
阈值选择直接影响融合质量。实体合并阈值（synonym similarity threshold）默认0.7，根据嵌入模型微调：nomic-embed-text下0.65-0.75，避免过度合并丢失细粒度边；过低（如0.5）引入噪声，高于0.8则碎片化。检索匹配阈值0.55（strong connection threshold），过滤弱边，确保1-hop扩展仅纳入高相关邻域。实践测试：阈值0.5时召回率升10%但噪声增15%，0.75时精确率达92%但召回降8%。建议A/B测试：线上流量10%用0.6，监控Hit@5和MRR。
展开重构（unrolled reconstruction）是检索融合的核心。双层检索后，提取低层键匹配实体VDB，高层键匹配关系VDB，再unroll 1-hop邻居：从种子实体扩展相连边及其节点，形成子图上下文。这种非递归展开避免GraphRAG的多社区遍历，延迟降至ms级。融合清单：
- 种子节点：top-3低层匹配。
- 边扩展：阈值>0.55的一跳边，限5条/节点。
- 重构prompt： “基于以下实体-关系子图：[子图JSON]，回答[query]。”
参数：hop=1（>1成本指数增），max_nodes=20防token爆。回滚策略：若融合后生成F1<0.8，fallback纯低层检索。
监控要点：索引时追踪提取率（实体/关系覆盖>80%），检索时NDCG@10>0.85，端到端latency<2s。风险：LLM提取偏差，用gpt-4o-mini替换qwen2若准确率低10%。生产部署：Ollama本地化，llm_model_max_async=4并行，max_token_size=32768。
实验证据显示，LightRAG在UltraDomain数据集上全面性、多样性优于NaiveRAG 15-20%，成本降99% vs GraphRAG。“LightRAG通过双层检索显著提升复杂查询处理。” 增量更新union新边，无需重建，适合动态RAG管道。
资料来源：