LightRAG 作为一款轻量级 RAG 框架，其核心创新在于双图（实体图与关系图）检索机制，通过 query 融合与动态 chunk 阈值选择，实现无需复杂索引或重训练的高效检索。这种设计特别适用于资源受限环境，能在保持高召回率的同时降低 LLM 调用开销。
首先，chunking 是 LightRAG 索引构建的基础，默认采用 token-based 分块策略：chunk_token_size=1200，chunk_overlap_token_size=100。这种固定阈值确保实体不被边界切分，但实际场景中文档异质性强，需动态调整阈值以优化语义完整性。例如，对于长尾文档，可自定义 chunking_func 函数，按语义相似度阈值（threshold=0.3）或窗口大小（window_size=5）自适应切分，避免相似度低于阈值的块引入噪声。根据 GitHub README，“chunk_token_size 控制每个 chunk 的最大 token 数，重叠确保上下文连续”。
动态阈值选择的落地参数包括：最小块阈值 min_chunk_tokens=200，避免碎片；最大块阈值 max_chunk_tokens=1500，平衡上下文与效率；相似度阈值 cosine_threshold=0.25，用于 rerank 后过滤。监控要点：chunk 分布直方图（理想 80% 块在 800-1200 token），SimilarityChunkRatio >0.85。回滚策略：若平均召回率 <0.7，降至默认固定阈值。
其次，query fusion 是 LightRAG 双图检索的核心，支持 local（实体焦点）、global（关系焦点）和 hybrid（融合）模式。local 模式检索 top_k=60 个实体及其邻域关系，global 检索关系边，hybrid 融合两者上下文，总 token 预算 max_total_tokens=30000（实体 6000、关系 8000、chunk 12000）。融合机制：提取低阶（ll_keywords，如具体实体）和高阶（hl_keywords，如主题）关键词，先向量检索，再图遍历聚合邻近节点，实现多跳推理。
QueryParam 参数清单：mode="hybrid"（默认融合）；enable_rerank=True，使用 bge-reranker-v2-m3，提升 chunk_top_k=20 的精度；cosine_better_than_threshold=0.2，过滤低质结果。证据显示，hybrid 模式在 UltraDomain 数据集上胜率达 60-80%，优于 NaiveRAG。“LightRAG 的双层检索在法律数据集上整体胜率 84.8%”（arXiv:2410.05779）。
工程化落地：初始化 LightRAG 时注入 embedding_func（如 bge-m3）和 llm_model_func（如 gpt-4o-mini），设置 llm_model_max_async=4 并发。增量插入支持 apipeline_enqueue_documents，避免全量重建。低资源优化：NanoVectorDBStorage + NetworkXStorage，总内存 <2GB，支持 10万文档。风险控制：token 超支监控（TokenTracker），若 >80% 预算则 top_k=40；实体提取失败率 >5% 时 entity_extract_max_gleaning=2 重试。
监控与调优清单：
- 检索指标：召回率（RAGAS context_precision >0.85）、多样性（diversity >0.7）。
- 参数阈值：chunk 相似度 <0.2 报警；融合后上下文冗余 >20% 减 chunk_top_k。
- A/B 测试：对比 fixed vs dynamic chunk，hybrid vs local。
- 回滚：fallback 到 naive 模式，日志 Langfuse 追踪。
实际部署中，对于中药知识库等垂直领域，自定义 entity_types=["药材","症状","功效"]，language="Simplified Chinese"，融合后准确率提升 25%。LightRAG 无需重训练，纯参数驱动，适用于边缘设备。
来源：HKUDS/LightRAG GitHub（2025.11 更新），arXiv:2410.05779。