AI

LightRAG：简单快速的检索增强生成框架

本文介绍由香港大学开发的 LightRAG 框架，这是一个基于知识图谱的轻量级检索增强生成系统，通过知识图谱技术实现更精准的语义检索和上下文理解，发表于 EMNLP 2025。

LightRAG：简单快速的检索增强生成框架

LightRAG 是一个基于知识图谱的轻量级 RAG（Retrieval-Augmented Generation）框架，发表于 EMNLP 2025，为开发者提供了简单高效的文档索引和智能检索解决方案。

项目概述

LightRAG 由香港大学数据系统实验室（HKUDS）开发，是一个简单且快速的检索增强生成系统。相比传统的 RAG 方案，LightRAG 通过知识图谱技术，实现了更精准的语义检索和上下文理解。

核心特性

  • 🚀 简单易用：API 设计简洁，快速上手
  • 📊 知识图谱驱动：自动提取实体和关系，构建语义网络
  • ⚡ 高性能：优化的检索算法，支持大规模数据集
  • 🔧 灵活存储：支持多种向量数据库和图数据库
  • 🌐 多 LLM 支持：OpenAI、Ollama、Hugging Face、Gemini 等
  • 🎨 Web UI：提供直观的可视化界面和查询接口
  • 📄 多模态支持：通过 RAG-Anything 集成处理文本、图像、表格等

技术架构

知识图谱索引

LightRAG 的核心在于其知识图谱索引技术：

  1. 实体提取：使用 LLM 从文档中提取实体（人名、组织、地点等）
  2. 关系识别：分析实体之间的语义关系
  3. 图谱构建：将实体和关系构建为图结构
  4. 向量嵌入：为实体、关系和文本块生成向量表示

这种结构化的知识表示使得 LightRAG 能够：

  • 理解复杂的关系查询
  • 提供上下文相关的答案
  • 支持多跳推理

检索模式

LightRAG 提供五种查询模式，适应不同场景：

模式 说明 适用场景
local 侧重上下文相关的局部信息 短文档、特定主题
global 利用全局知识 跨文档推理、全局关系
hybrid 结合局部和全局检索 通用查询、平衡效果
naive 基础向量搜索 快速检索、简单场景
mix 集成知识图谱和向量检索 复杂查询、混合场景

快速开始

安装 LightRAG

1
2
3
4
5
# 使用 uv 安装（推荐）
uv pip install lightrag-hku

# 或使用 pip
pip install lightrag-hku

基本使用

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
import asyncio
from lightrag import LightRAG, QueryParam
from lightrag.llm.openai import gpt_4o_mini_complete, openai_embed
from lightrag.utils import setup_logger

setup_logger("lightrag", level="INFO")

WORKING_DIR = "./rag_storage"

async def main():
    # 初始化 LightRAG
    rag = LightRAG(
        working_dir=WORKING_DIR,
        embedding_func=openai_embed,
        llm_model_func=gpt_4o_mini_complete,
    )

    # 初始化存储（必须！）
    await rag.initialize_storages()

    # 插入文档
    await rag.ainsert("你的文档内容...")

    # 查询
    response = await rag.aquery(
        "文档的主题是什么？",
        param=QueryParam(mode="hybrid")
    )

    print(response)

if __name__ == "__main__":
    asyncio.run(main())

存储方案

LightRAG 支持多种存储后端，满足不同场景需求：

向量存储

  • NanoVectorDB（默认）
  • PostgreSQL (pgvector)
  • Milvus
  • ChromaDB
  • Faiss
  • Qdrant
  • MongoDB

图存储

  • NetworkX（默认）
  • Neo4j ⭐（推荐生产环境）
  • PostgreSQL (Apache AGE)
  • Memgraph

KV 存储

  • JsonFile（默认）
  • PostgreSQL
  • Redis
  • MongoDB

推荐配置

开发环境：默认配置（NetworkX + NanoVectorDB）
生产环境：Neo4j + PostgreSQL

模型要求

LLM 要求

  • 参数量：至少 320 亿参数
  • 上下文长度：至少 32K（推荐 64K）
  • 建议：索引阶段使用推理模型，查询阶段使用更强的模型

Embedding 模型

推荐使用高性能多语言模型：

  • BAAI/bge-m3
  • OpenAI text-embedding-3-large

Reranker 模型

启用 Reranker 可以显著提升检索效果：

  • BAAI/bge-reranker-v2-m3
  • Jina Reranker

高级功能

Reranker 支持

LightRAG 支持重排序模型，可以对检索到的文本块进行精细排序，显著提升混合查询的性能。

文档引用

支持引用功能，确保答案可以追溯到原始文档，提高可解释性。

文档删除

支持文档删除并自动重新生成知识图谱，保持查询性能。

Web UI

提供可视化界面，支持：

  • 文档索引
  • 知识图谱探索
  • RAG 查询
  • 兼容 Ollama API

多模态支持

通过 RAG-Anything 集成，支持处理：

  • PDF 文档
  • 图像
  • Office 文档
  • 表格
  • 公式

相关项目

HKUDS 团队还开发了多个相关项目：

RAG-Anything

全能多模态 RAG 系统，无缝处理文本、图像、表格、公式等。

VideoRAG

超长上下文视频理解的 RAG 系统。

MiniRAG

使用小模型简化 RAG，降低资源需求。

适用场景

LightRAG 适合以下场景：

  1. 企业知识库：构建公司内部的问答系统
  2. 文档检索：技术文档、研究报告的智能检索
  3. 学术研究：论文库的语义搜索和关系分析
  4. 个人知识管理：笔记、资料的自动化整理和查询
  5. 客服机器人：基于产品文档的智能客服

性能优势

对比传统 RAG

特性 传统 RAG LightRAG
知识表示 纯向量 知识图谱
关系理解 弱 强
多跳推理 困难 支持
上下文相关性 中等 高
可解释性 低 高

扩展性

  • 大规模数据：优化后的管道支持大规模数据集高效处理
  • 并发控制：可配置的并发级别
  • 缓存机制：LLM 响应缓存，减少重复计算

总结

LightRAG 是一个设计优雅、实现高效的 RAG 框架，通过知识图谱技术实现了超越传统向量检索的智能问答能力。

核心优势：

  • ✅ 简单易用的 API
  • ✅ 强大的知识图谱支持
  • ✅ 灵活的存储方案
  • ✅ 丰富的功能集（Reranker、Web UI、多模态）
  • ✅ 活跃的社区和持续的更新

对于需要构建智能文档检索系统的开发者来说，LightRAG 是一个值得尝试的选择。

相关链接

欢迎在评论区分享你的使用体验和问题！