LightRAG 通过双图索引机制，将文档转化为实体节点和关系边的知识图结构，实现对复杂关系的精确捕捉，避免传统 RAG 的碎片化检索问题。这种双图设计以实体图和关系图为核心，低资源环境下即可高效运行，支持 Ollama 等本地模型。
双图索引流程首先对文档分块（chunk_token_size=1200，overlap=100），使用 LLM（如 gpt-4o-mini）提取实体（如人名、组织）和关系（如“属于”、“位于”）。随后生成键值对：键为检索关键词，值为 LLM 摘要描述，实现高效向量嵌入。去重步骤合并重复节点/边，减少图规模，提升查询速度。LightRAG 支持多种存储：默认 NanoVectorDB + NetworkX 适合开发，生产推荐 Neo4J（图存储）+ PGVector（向量），cosine_better_than_threshold=0.2 过滤低质匹配。
查询融合是 LightRAG 的核心创新，支持 local（实体检索）、global（关系检索）和 hybrid/mix 模式。hybrid 模式下，低层关键词匹配实体（top_k=60），高层关键词匹配关系（top_k=60），融合 chunk_top_k=20 的文本块。token 预算控制确保上下文精炼：max_entity_tokens=6000、max_relation_tokens=8000、max_total_tokens=30000，避免 LLM 超限。mix 模式额外结合向量检索，enable_rerank=True 使用 bge-reranker-v2-m3 重排序，提升混合查询精度。
阈值选择需根据语料规模调优：小型语料（<10k 文档）设 top_k=40、cosine_threshold=0.25；大规模设 top_k=80、threshold=0.15。融合权重隐式通过 token 分配：实体优先本地细节（权重 ~40%），关系补充全局语义（~30%），chunks 填充证据（~30%）。实验显示，hybrid 模式胜率超 GraphRAG 10-20%，检索 token <100，API 调用仅 1 次。“LightRAG 在四个数据集上全面优于基线，hybrid 模式多样性提升显著”（arXiv:2410.05779）。
落地参数清单：
- 初始化：LightRAG(working_dir="./rag", embedding_func=openai_embed, llm_model_func=gpt_4o_mini_complete, chunk_token_size=1200, vector_storage="NanoVectorDBStorage", graph_storage="NetworkXStorage", vector_db_storage_cls_kwargs={"cosine_better_than_threshold": 0.2})；await rag.initialize_storages()。
- 插入：rag.insert(docs, max_parallel_insert=4)；增量支持，无需重建。
- 查询：QueryParam(mode="hybrid", top_k=60, chunk_top_k=20, enable_rerank=True, max_entity_tokens=6000)；stream=True 支持流式。
- 调优：monitor RAGAS 指标（context_precision >0.85）；低性能时增 llm_model_max_async=8 或切换 reranker。
- 监控点：Langfuse 追踪 token/latency；删除 adelete_by_doc_id() 回滚。
- 回滚策略：enable_llm_cache=True 保留缓存；workspace 隔离多实例。
生产部署 Docker compose up，支持 Ollama 本地化，成本降 99%。双图索引 + 查询融合使 LightRAG 适用于动态知识库，如企业文档 RAG。
资料来源：GitHub HKUDS/LightRAG；arXiv 2410.05779。