LightRAG 通过双图结构（实体节点 + 关系边）重塑 RAG 检索，实现低参数低延迟的高效知识整合。其核心在于图构建中的边精炼（distillation-like 合并与描述生成）、双层检索的融合排序，避免传统 RAG 的扁平向量局限，同时仅需少量 LLM 调用（检索 <100 tokens），远低于 GraphRAG 的高开销。
双图构建是 LightRAG 低延迟基础。首先将文档分块（chunk_token_size=1200, overlap=100），用 LLM（如 gpt-4o-mini）提取实体/关系（R(·) 函数）。证据：GitHub README 显示，每块仅 1 次 LLM 调用提取节点/边，避免全文档重算。随后 P(·) 函数用 LLM 生成 KV 对：节点用实体名为 key，值是总结描述（summary_max_tokens=500）；边生成多 key，包括低层（直接关系）和高层主题（global keys）。D(·) 去重合并相似实体/边，减少图规模。参数落地：entity_extract_max_gleaning=1（单轮提取防冗余），node2vec_params={"dimensions":1536, "num_walks":10}（可选节点嵌入）。风险：LLM 质量低导致边提取噪声，阈值 cosine_better_than_threshold=0.2 过滤低质向量。
边精炼（distillation）是融合关键。LightRAG 不直接存原始边，而是 LLM 蒸馏为精炼描述：边描述浓缩多源上下文（summary_context_size=10000），权重 weight=1.0~3.0（手动 edit_relation 调优）。证据：查询流中，边向量存 vector_storage（如 NanoVectorDB），支持 PGVector/Milvus。精炼后边不只连节点，还捕获高阶关联（如“observe”边链接 beekeeper-bees，扩展到 agriculture 主题）。工程清单：1) 提取后 audit 边质量，手动 merge_entities(["AI","Artificial Intelligence"],"AI Tech", merge_strategy={"description":"concatenate"})；2) 存储 graph_storage="Neo4JStorage"（生产首选，优于 PGGraph）；3) 监控节点度（node_degree），>50 触发子图采样。
融合检索实现低延迟排序。双层：local 模式用低层 keys 检索实体（top_k=60），global 用高层 keys 检索边（chunk_top_k=20）。Hybrid/mix 融合：向量召回实体/边 → 图 1-hop 邻居扩展 → 关联 chunk 检索 → rerank（bge-reranker-v2-m3, enable_rerank=True）。排序融合：max_entity_tokens=6000, max_relation_tokens=8000, max_total_tokens=30000 限上下文。证据：QueryParam 控制，mix 模式默认（rerank 后）。参数：embedding_batch_num=32（并行加速），llm_model_max_async=4。落地：QueryParam(mode="mix", enable_rerank=True, top_k=40) 平衡精度/速度；embedding_cache_config={"enabled":True, "similarity_threshold":0.95} 复用查询。
监控与回滚：用 TokenTracker 追踪消耗（< GraphRAG 99%），Langfuse 集成 observability（pip install [observability]）。删除 adelete_by_entity("outdated") 联动清理。风险：图过密导致 OOM，回滚 max_parallel_insert=2。
优化清单：
- 初始化：rag = LightRAG(working_dir="./rag_storage", embedding_func=openai_embed(1536), llm_model_func=gpt_4o_mini_complete, graph_storage="Neo4JStorage")；await rag.initialize_storages()。
- 插入：rag.insert(docs, max_parallel_insert=4)；增量无需重建。
- 查询：rag.aquery(q, QueryParam(mode="hybrid", top_k=60, chunk_top_k=20))。
- 调优：rerank_model_func=jina_rerank；top_k=40 线上默认。
- 评估：RAGAS 集成，context_precision >0.9。
资料来源：HKUDS/LightRAG GitHub README 与流程图；arXiv:2410.05779。