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。