LightRAG作为EMNLP2025入选项目，提供简单快速的RAG框架，其核心在于图蒸馏融合检索机制，将知识图谱（KG）与向量嵌入结合，避免传统RAG的上下文丢失与GraphRAG的高开销。通过LLM从文档提取实体/关系构建轻量KG，并嵌入向量，支持增量更新与多存储后端，实现低资源高效生成。
LightRAG索引流程高效：文档分块（默认chunk_token_size=1200，overlap=100），LLM提取实体/关系（entity_extract_max_gleaning=1），去重合并后存入KG（NetworkX/Neo4J）和向量DB（NanoVectorDB/Faiss）。例如处理《圣诞颂歌》时，仅需少量LLM调用生成KG，避免GraphRAG的全重建。“LightRAG显著优于NaiveRAG，在综合性、多样性和赋权性指标上胜率达60-85%。”（来源：GitHub基准表）。
低资源部署关键参数：LLM选≥32B参数、≥32K上下文模型（如Qwen2.5-32B），嵌入用bge-m3（dim=1024）；llm_model_max_async=4，embedding_batch_num=32；vector_db_storage_cls_kwargs={"cosine_better_than_threshold":0.2}。Ollama集成示例：llm_model_func=ollama_model_complete，embedding_func=EmbeddingFunc(dim=768, func=ollama_embed("nomic-embed-text"))，num_ctx=32768。Server部署：uv pip install "lightrag-hku[api]"，配置.env后lightrag-server，访问localhost:9621。
查询优化用QueryParam：mode="hybrid"（local实体+global关系），top_k=60，chunk_top_k=20，enable_rerank=True（bge-reranker-v2-m3）；max_entity_tokens=6000，max_relation_tokens=8000，max_total_tokens=30000。监控：RAGAS评估+Langfuse追踪。风险：嵌入模型变更需清数据；小LLM KG提取准度低，用Qwen3-30B-A3B优化。
落地清单：
- 安装：uv sync --extra api；cp env.example .env，设LLM/Embedding键。
- 初始化：rag=LightRAG(working_dir="./rag_storage", llm_model_func=..., embedding_func=...)；await rag.initialize_storages()。
- 插入：rag.insert("文本")或批量；支持textract多格式（PDF/DOCX）。
- 查询：rag.query("问题", param=QueryParam(mode="hybrid", stream=True))。
- 管理：rag.delete_by_entity("实体")；rag.merge_entities(["AI","人工智能"],"AI技术")；export_data("kg.csv")。
- 扩展：Neo4J存储（graph_storage="Neo4JStorage"）；RAG-Anything多模态。
基准验证：在Agriculture/CS/Legal数据集，LightRAG综合胜NaiveRAG/RQ-RAG/HyDE 60%以上，略优GraphRAG但更快。低资源场景（如6GB GPU Gemma2:2B），仍提取197实体/19关系。
资料来源：https://github.com/HKUDS/LightRAG；arXiv:2410.05779。