LightRAG 作为 EMNLP 2025 论文提出的简单快速 RAG 方案，其核心在于双图边蒸馏机制。该机制不依赖重型索引或 KV 缓存，通过 LLM 从文档块提取实体（节点）和关系（边），构建实体图与关系图，并经蒸馏融合为高效检索结构，实现低参数高性能的检索增强生成。
双图构建从文档 chunking 开始，默认 chunk_token_size=1200、chunk_overlap_token_size=100，确保块间语义连续。LLM（如 32B+ 参数模型，推荐 Qwen2-72B 或 GPT-4o-mini）逐块执行实体关系提取（R(·)），输出节点如“心脏病专家”、边如“诊断心脏病”。提取后进入去重（D(·)），多块同义实体/关系合并，避免冗余；参数 entity_extract_max_gleaning=1 控制迭代次数，summary_context_size=10000 限制 LLM 上下文。
边蒸馏（P(·)）是融合关键：LLM 为每个节点/边生成键值对，键为短语（如实体名或关系关键词），值为总结段落（summary_max_tokens=500）。实体图聚焦节点嵌入（node2vec_params={"dimensions":1536}），关系图强调边权重与高阶连接，实现双图融合。此过程参数化强，如 embedding_batch_num=32、llm_model_max_async=4，支持并行加速，无需重建全图的增量 union 更新新边/节点。
检索采用双层范式：低层（local）检索 top_k=60 个实体/块，聚焦精确匹配；高层（global）检索关系，捕获多跳语义；hybrid 模式默认融合。QueryParam 配置 chunk_top_k=20（向量后 rerank）、max_entity_tokens=6000、max_relation_tokens=8000、max_total_tokens=30000，确保 token 预算内高效。rerank（如 bge-reranker-v2-m3）默认启用，提升混合查询精度。相比 GraphRAG，LightRAG 检索仅需一次 LLM 调用，token 消耗低 80%+。
工程落地参数清单：
- LLM/Embedding：llm_model_func=gpt-4o-mini_complete（索引用非推理模型），embedding_func=openai_embed 或 bge-m3（dim=1536，必一致）。
- 存储：graph_storage=NetworkXStorage（开发）/Neo4JStorage（生产）；vector_storage=NanoVectorDBStorage；cosine_better_than_threshold=0.2。
- 初始化：LightRAG(working_dir="./rag_storage", chunk_token_size=1200) → await initialize_storages() → insert(text)。
- 查询：QueryParam(mode="hybrid", top_k=60, enable_rerank=True, stream=True)。
- 监控/回滚：enable_llm_cache=True；删除用 adelete_by_doc_id；阈值超标回滚至 naive 模式。
- 风险阈值：实体提取失败率>10% 调高 gleaning=2；检索召回<0.8 增 chunk_top_k=30。
实际部署中，先用小数据集（如 dickens/book.txt）验证提取准确率>85%，渐进扩展。支持 Ollama/HuggingFace 本地化，GPU<8GB 时调 llm_model_max_async=2。该机制在 Agriculture/Legal 等数据集上胜率超 60%，证明低参高效。
资料来源：HKUDS/LightRAG GitHub 仓库；arXiv:2410.05779 论文。