LightRAG 通过本地（local）和全局（global）双图索引与查询融合机制，解决了传统 RAG 在复杂语义检索中的上下文割裂问题，实现无需重 embedding 的高效知识图谱增强生成。
传统向量 RAG 仅依赖 chunk 相似度，难以捕捉跨文档实体关系，导致多跳推理失败。LightRAG 创新双层索引：在索引阶段，将文档分块后用 LLM 提取实体（节点）和关系（边），构建知识图谱，同时嵌入实体 / 关系 /chunk 到向量存储。Local 索引聚焦实体描述及其一跳邻居，提供细节上下文；global 索引强调关系三元组及其关联实体，揭示主题网络。“LightRAG 的知识图谱可增量更新，避免 GraphRAG 全量重建。” 融合蒸馏管道简化社区聚类，仅保留核心实体 - 关系提取，索引速度提升数倍。
查询融合是 LightRAG 核心：在 hybrid/mix 模式下，先并行执行 local（top_k 实体检索）和 global（top_k 关系检索），再合并排序上下文。检索结果包括实体描述、关系描述、相关 chunk 和图邻居，按 cosine 阈值（默认 0.2）和权重过滤。统一 token 控制（max_entity_tokens=6000、max_relation_tokens=8000、max_total_tokens=30000）确保 LLM 输入高效，避免超限。Reranker（如 bge-reranker-v2-m3）可选启用，提升 chunk 重排序精度。
落地参数清单：
- QueryParam 配置：mode="hybrid"（平衡细节 / 全局）；top_k=60（实体 / 关系数）；chunk_top_k=20（初始 chunk）；enable_rerank=True。
- 索引参数：chunk_token_size=1200、chunk_overlap=100；embedding_batch_num=32、llm_model_max_async=4；entity_extract_max_gleaning=1（迭代提取）。
- 存储选择：开发用 NanoVectorDB/NetworkX；生产 Neo4J（图）+ PGVector（向量）+ Redis（KV），workspace 隔离多租户。
- 模型推荐：LLM ≥32B 参数、上下文 ≥32K（如 gpt-4o）；Embedding bge-m3；Reranker bge-reranker-v2-m3。
- 监控点：TokenTracker 追踪 LLM 消耗；Langfuse 集成 tracing；RAGAS 评估 context_precision/recall；图规模（节点 / 边 ≤10W/50W）。 部署流程：初始化 rag=LightRAG (working_dir="./data", embedding_func=openai_embed, llm_model_func=gpt_4o_mini_complete)；await rag.initialize_storages ()；批量 ainsert 文档；查询 rag.aquery (question, param=QueryParam (mode="mix"))。
风险与回滚：实体提取噪声高时，fallback naive 模式；图过密降采样 node2vec_params（walks=10）；监控 cosine_better_than_threshold=0.2，若召回低调至 0.1。生产回滚：enable_llm_cache=True 复用提示；定期 aclear_cache (modes=["local"]) 清缓存。
LightRAG local-global 融合参数化设计，确保 RAG 生产级可靠，适用于企业知识库 / 多模态 QA。
资料来源：
- HKUDS/LightRAG GitHub
- LightRAG: Simple and Fast Retrieval-Augmented Generation (arXiv:2410.05779)