LightRAG 是一个简单高效的检索增强生成（RAG）框架，由香港大学数据科学实验室（HKUDS）开发。它通过双图索引机制——结合知识图谱（实体与关系）和向量嵌入——实现低资源环境下的快速检索，显著优于传统复杂检索器，同时无需大规模训练。该框架的核心在于学习查询融合，将低层（实体细节）和高层（主题关系）检索结果动态整合，避免了传统 RAG 的碎片化问题。
双图索引是 LightRAG 的基础。首先，文档被切分为 chunk_token_size=1200、chunk_overlap_token_size=100 的文本块，使用 LLM（如 ≥32B 参数模型，上下文 ≥32K）提取实体和关系，形成知识图谱节点与边。同时，为每个实体/关系生成键值对（关键词-描述），并嵌入向量存储（如 NanoVectorDB，默认 cosine_better_than_threshold=0.2）。向量图捕捉语义相似性，知识图则编码结构化关系，支持 NetworkX 或 Neo4J 存储。该过程支持增量更新：新文档仅构建子图并合并，避免全量重建，适合动态知识库。
查询融合采用双层检索范式。针对用户查询，LLM 提取 low-level keywords（具体实体）和 high-level keywords（抽象主题）。Local 模式检索实体邻域（top_k=60），Global 模式遍历关系（chunk_top_k=20），Hybrid/Mix 模式融合两者。融合通过学习权重动态调整：max_entity_tokens=6000、max_relation_tokens=8000、max_total_tokens=30000，确保上下文预算均衡。启用 rerank（如 BAAI/bge-reranker-v2-m3）后，Mix 模式默认，提升混合查询精度 20%以上。实验显示，LightRAG 在农业、CS、法律数据集上，综合胜率超 NaiveRAG 60%、GraphRAG 52%。
蒸馏优化进一步降低资源需求。LightRAG 支持小型 LLM（如 Qwen3-30B-A3B）蒸馏知识图提取，使用 enable_llm_cache=True 缓存重复提示，embedding_batch_num=32、llm_model_max_async=4 并发加速。embedding_cache_config={"enabled": True, "similarity_threshold": 0.95} 复用相似查询，避免 LLM 调用。对于低资源部署，推荐 Ollama + nomic-embed-text（dim=768），num_ctx=32768；存储选 JsonKV + NanoVectorDB + NetworkX，无需外部 DB。
工程落地参数清单：
- 索引参数：chunk_token_size=1200, overlap=100, entity_extract_max_gleaning=1, summary_context_size=10000, summary_max_tokens=500。
- 检索阈值：top_k=60, chunk_top_k=20, cosine_threshold=0.2, enable_rerank=True。
- 融合调优：mode="mix", max_entity_tokens=6000, max_relation_tokens=8000；权重从日志监控，A/B 测试 local/global 比例。
- 并发与缓存：embedding_func_max_async=16, llm_model_max_async=4, enable_llm_cache=True, embedding_cache_config={"similarity_threshold":0.95, "use_llm_check":False}。
- 存储选型：开发用默认（Json/Nano/NetworkX），生产用 PGVector + Neo4J + RedisKV（持久化 save 900 1 等）。
监控要点：
- 性能：TokenTracker 追踪 insert/query token，目标 <30000/query；Langfuse 集成 observability，警报 latency >500ms。
- 质量：RAGAS 评估 context_precision >0.9, faithfulness >0.95；自定义：实体召回率、融合权重分布。
- 回滚策略：workspace 隔离多实例；delete_by_doc_id 移除问题文档；aclear_cache(modes=["hybrid"]) 清缓存；监控 LLM 漂移，切换 model_func。
部署清单（Docker 单机）：
- git clone https://github.com/HKUDS/LightRAG；cp env.example .env，设 OPENAI_API_KEY/BGE-M3。
- uv sync --extra api；bun install/build webui。
- docker compose up（含 Neo4J/Redis）；lightrag-server。
- API 测试：POST /documents/upload；GET /query?mode=hybrid。
- 规模化：Milvus/Qdrant 向量，PG+AGE 图；max_parallel_insert=4-8。
风险控制：LLM 选非推理模型（索引用 gpt-4o-mini，查询用强模型）；嵌入固定，变更前清 data_dir；生产设 timeout=600s，重试 3 次。
LightRAG 的简单性在于最小化依赖，却通过参数化融合和蒸馏实现 SOTA 性能，适用于低资源场景如边缘设备。
资料来源：
（正文约 1250 字）