LightRAG作为一款轻量级图增强RAG框架，通过双图索引（实体图+向量存储）和查询融合机制，在低资源环境下显著提升检索精度与效率。相较传统NaiveRAG，其hybrid模式胜率达60%以上，尤其适合内存受限场景。双图设计将实体/关系嵌入知识图（NetworkX或Neo4j），结合向量DB（如NanoVectorDB）支持小模型LLM（≥32B参数，推荐Qwen3-30B），实现增量更新无重建。
动态chunk阈值是低资源优化的核心起点。默认chunk_token_size=1200、overlap=100，使用TiktokenTokenizer（gpt-4o-mini模型），可根据文档密度调整：短文档设800-1000避免信息稀疏，长文档增至1500-2000提升覆盖。证据显示，chunk_size过小导致实体提取碎片化，召回率降15%；过大则超上下文窗（推荐LLM≥32K tokens）。落地参数：entity_extract_max_gleaning=1（单轮提取加速），embedding_batch_num=32、llm_model_max_async=4并行处理，适用于4-8GB RAM环境。监控点：summary_context_size=10000（实体合并tokens上限），超阈值时降summary_max_tokens=500。实际测试book.txt（188K）索引耗时<2min，成本约2元。
实体关系检索优化聚焦阈值调优与reranker集成。vector_db_storage_cls_kwargs={"cosine_better_than_threshold":0.2}过滤低质向量，结合BAAI/bge-reranker-v2-m3（mix模式默认），hybrid查询top_k=60、chunk_top_k=20，max_entity_tokens=6000、max_relation_tokens=8000、max_total_tokens=30000控制预算。低资源下，禁用rerank（enable_rerank=False）降延迟30%，或用Ollama+nomic-embed-text（dim=768）。QueryParam模式融合：local（实体邻域，top_k实体）、global（关系主题）、hybrid（二者union+1-hop扩展）。证据：LightRAG在农业/法律数据集comprehensiveness胜GraphRAG 67.6% vs 45.6%，因双层关键词（low-level实体+high-level主题）精确匹配。
高效工程部署清单确保低资源落地：
- 初始化：rag=LightRAG(working_dir="./rag_storage", chunk_token_size=1200, chunk_overlap_token_size=100, embedding_func=openai_embed, llm_model_func=gpt_4o_mini_complete)；await rag.initialize_storages()。
- 存储选型：开发用JsonKV+NetworkX+NanoVectorDB（<1GB数据）；生产PostgreSQL（一站式KV/Vector/Graph，v16.6+）或Neo4j（图优）。
- Pipeline：max_parallel_insert=4（LLM瓶颈下<10），enable_llm_cache=True保留kv_store_llm_response_cache.json。
- 部署：uv sync --extra api；lightrag-server（Ollama兼容WebUI）；Docker compose up。
- 监控/回滚：Langfuse Tracing（[observability]插件）；RAGAS评估context_precision；异常时aclear_cache(modes=["hybrid"])，adelete_by_doc_id回滚文档。
- 低资源阈值：embedding_func_max_async=8，llm_model_kwargs={"options":{"num_ctx":32768}}（Ollama小模型）。
风险：小LLM实体提取准度低（用≥32B），大规模图转Neo4j防OOM。参数调优基于数据集测试：农业/法律偏global（top_k=40），CS/mix用hybrid（chunk_top_k=30）。
资料来源：HKUDS/LightRAG GitHub；arXiv:2410.05779。