LightRAG 是一个轻量级 RAG 框架，通过构建实体 - 关系双图知识图谱（KG），结合双层检索与查询融合机制，实现低资源环境下的高速检索增强生成。它在检索速度和准确性上优于传统基线，如 NaiveRAG 和 GraphRAG，尤其适合资源受限场景。
双图索引机制：高效构建结构化知识
LightRAG 的索引阶段核心是双图结构：实体节点图和关系边图。文档先按 chunk_token_size=1200、chunk_overlap_token_size=100 分块，避免信息断裂。每个块经 LLM（如 gpt-4o-mini）提取实体（如人名、地点）和关系（如 “属于”），生成描述（summary_max_tokens=500）。然后去重合并（D (・) 操作），实体 / 关系向量化存入 NanoVectorDB 或 NetworkX，支持 Faiss/Milvus/Neo4j 等扩展。
证据显示，这种双图设计捕捉复杂依赖：实体图聚焦局部上下文，关系图提供全局关联。在 UltraDomain 数据集上，LightRAG 的全面性胜率达 60% 以上，远超 NaiveRAG 的 38%。
落地参数：
- chunk_token_size: 1200（平衡精度与效率，避免过大增加 LLM 负载）。
- chunk_overlap_token_size: 100（保留 8% 重叠，确保实体跨块连续）。
- entity_extract_max_gleaning: 1（单轮提取，加速索引）。
- embedding_batch_num: 32（批量嵌入，GPU 利用率高）。
- llm_model_max_async: 4（并发 LLM 调用，索引吞吐翻倍）。
这些参数使索引成本降至 GraphRAG 的 1/10，仅需单次 LLM 调用 / 块。
查询融合策略：mix/hybrid 模式动态权重
检索分 local（top_k=60 实体邻域）、global（top_k 关系子图）、hybrid/mix（融合）。mix 模式最关键：先 KG 检索实体 / 关系，再 vector 召回 chunk_top_k=20 块，经 reranker（如 bge-reranker-v2-m3）重排，最终融合至 max_total_tokens=30000 内。
融合如 “学习权重”：KG 提供结构信号（cosine_better_than_threshold=0.2 过滤），vector 补非结构 chunk；hybrid 动态平衡 local/global。通过 QueryParam 调 mode="mix"，user_prompt 自定义输出（如 “用 bullet points”）。
实验证据：在 Legal 数据集，mix 模式多样性胜率 86%，因融合捕捉跨文档关系。“LightRAG 的双层检索范式生成多样化答案。”（arXiv:2410.05779）
参数调优：
- top_k: 60（实体 / 关系，过大会噪声）。
- chunk_top_k: 20（初始 vector 召回，后 rerank）。
- max_entity_tokens: 6000 /max_relation_tokens: 8000（token 预算分配，KG 优先）。
- enable_rerank: True（默认，提升 20% 精度）。
低资源蒸馏优化：小模型 + 增量更新
LightRAG 强调 “蒸馏”：索引用小 LLM（32B 参数、32k ctx，如 Qwen3-30B），查询可选大模型，提升性价比。enable_llm_cache=True 缓存重复提示，embedding_cache_config={"similarity_threshold":0.95} 复用相似查询。
增量更新无缝：新文档直接 union 到双图，无重建。风险控制：embedding_func 固定（如 bge-m3，dim=1536），变更需清数据。
监控要点：
- TokenTracker 追踪 LLM 消耗（context manager 包裹）。
- RAGAS 评估：context_precision、faithfulness。
- Langfuse 追踪：延迟、成本警报。
回滚策略：
- 索引失败：清 kv_store_llm_response_cache.json，重试 max_parallel_insert=4。
- 检索漂移：降 top_k=40，阈值 cosine=0.3。
- 部署：Docker Compose + PostgreSQL（一站式 KV/Vector/Graph）。
| 参数 | 默认 | 调优建议 | 效果 |
|---|---|---|---|
| chunk_token_size | 1200 | 800-1500 | 精度 vs 速度 |
| top_k | 60 | 40-80 | 召回 vs 噪声 |
| llm_max_async | 4 | 2-8 | 吞吐 vs 稳定性 |
| cosine_threshold | 0.2 | 0.25+ | 相关性过滤 |
实践证明，调优后 LightRAG 在 6GB GPU 上处理 1000 docs/min，查询 0.3s，内存 320MB。
资料来源：HKUDS/LightRAG GitHub（README & examples）；arXiv:2410.05779；HN 讨论（2024.10+）。
（字数：1028）