LightRAG是什么？2026年知识图谱增强RAG框架深度解析

在当今信息爆炸的时代，如何从海量非结构化文档中高效、准确地检索和生成信息，是人工智能领域面临的核心挑战之一。检索增强生成（RAG）技术通过将外部知识库与大型语言模型（LLM）相结合，显著提升了模型回答的准确性和事实性。然而，传统的基于向量相似度的RAG系统在处理复杂、多跳的推理问题时，往往显得力不从心。LightRAG 应运而生，它是一个创新的、轻量级的开源框架，通过巧妙地融合知识图谱（KG）的结构化语义与向量检索的强大能力，旨在为复杂查询提供更深入、更连贯的上下文理解。

核心概念与架构

LightRAG 的核心设计哲学是“双引擎驱动”。它不仅仅是一个向量数据库的封装，而是构建了一个动态的、可交互的知识图谱作为其“结构化大脑”，同时保留向量检索作为其“非结构化记忆”。这种混合架构允许系统执行两种关键的信息获取路径：

1. 知识图谱路径：自动从文档中提取实体（如人物、地点、概念）和它们之间的关系，形成一个语义网络。查询时，系统可以在这个网络上进行“图遍历”，找到与问题相关的实体簇及其连接关系，从而理解概念的上下文和关联性。
2. 向量检索路径：与传统RAG相同，将文档块编码为向量，通过相似度搜索找到与查询语义最接近的文本片段。

LightRAG 的智能之处在于其 混合检索模式，它可以根据查询的复杂性，动态地结合或加权这两种路径的结果，为LLM提供最全面、最相关的上下文信息。

快速入门与实践

安装与设置

LightRAG 的安装过程简洁明了，核心库可以通过PyPI直接获取。

安装 LightRAG Core

# 通过 PyPI 安装（推荐）
pip install lightrag-hku

安装 LightRAG ServerLightRAG 的服务器组件，提供 Web 界面用于文档索引、知识图谱探索和 RAG 查询，并暴露 API 接口。 (可选)

对于需要Web界面或API服务的用户，可以安装带有服务器组件的版本。

# 安装包含API支持的版本
pip install "lightrag-hku[api]"

第一个查询示例

以下是一个使用 OpenAI 模型进行初始化和查询的简化示例。

import asyncio
import os
from lightrag import LightRAG, QueryParam
from lightrag.llm.openai import gpt_4o_mini_complete, openai_embed

# 设置您的 OpenAI API 密钥
os.environ["OPENAI_API_KEY"] = "your-api-key-here"

async def main():
    # 1. 初始化 LightRAG 实例
    rag = LightRAG(
        working_dir="./my_lightrag_data", # 指定工作目录用于存储缓存和索引
        embedding_func=openai_embed,      # 注入嵌入模型函数
        llm_model_func=gpt_4o_mini_complete # 注入LLM模型函数
    )
    await rag.initialize_storages() # 异步初始化存储后端

    # 2. 插入文档（例如，一段关于查尔斯·狄更斯的文本）
    sample_text = """
    Charles Dickens was a renowned English writer, famous for novels like
    'Oliver Twist', 'A Christmas Carol', and 'Great Expectations'.
    His works often critiqued social inequality in Victorian England.
    """
    rag.insert(sample_text)

    # 3. 执行查询 - 使用混合模式，结合知识图谱与向量检索
    response = rag.query(
        "What were the main themes in Charles Dickens' novels?",
        param=QueryParam(mode="mix") # 使用'mix'模式进行混合检索
    )
    print("Answer:", response)

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

核心功能深度解析

灵活的检索模式

LightRAG 的核心优势在于其多样化的检索策略，通过 QueryParam 中的 mode 参数控制。

• naive: 基础向量检索模式，类似于传统RAG。
• local: 本地图检索。聚焦于查询直接提及的实体，检索其在知识图谱中的邻近节点（一度关系）及其描述，适合回答关于特定实体属性或直接关联的问题。
• global: 全局图检索。利用知识图谱的全局结构，寻找与查询主题在语义上高度相关的实体社区或子图，适合需要背景知识和概念关联的复杂、开放式问题。
• hybrid: 本地+全局混合。同时执行local和global图检索，并将结果合并，提供更广泛的上下文。
• mix (推荐): 图谱与向量混合。这是LightRAG的杀手锏。它并行执行知识图谱检索（获取结构化关系信息）和向量检索（获取相关文本片段），然后将两者融合成一个丰富的上下文提示，交给LLM生成答案。这种模式能同时捕捉到显性的语义相似度和隐性的逻辑关联。

# 不同检索模式示例
param_local = QueryParam(mode="local", top_k=30) # 检索前30个相关实体
param_global = QueryParam(mode="global", top_k=50) # 检索前50个相关关系
param_mix = QueryParam(mode="mix", top_k=40) # 混合模式下控制检索深度

多模型支持与注入

LightRAG 采用灵活的模型注入机制，不与任何特定模型供应商绑定。

1. 支持多种API后端：

• OpenAI / 兼容API：如 Azure OpenAI, Groq, Together AI, 智谱AI, 月之暗面等。
• Ollama：完美支持本地运行的Ollama模型，方便私有化部署。
• Hugging Face Transformers：直接使用 transformers 库中的模型。
• LlamaIndex：复用现有的LlamaIndex模型配置和抽象。

2. 模型注入示例 (Ollama):

from lightrag.llm.ollama import ollama_model_complete, ollama_embed
from lightrag import LightRAG, EmbeddingFunc

async def embedding_func(texts):
    return await ollama_embed(texts, embed_model="nomic-embed-text")

rag = LightRAG(
    working_dir="./ollama_rag",
    llm_model_func=ollama_model_complete,
    llm_model_name="qwen2.5:7b", # 指定Ollama中的模型名称
    embedding_func=EmbeddingFunc(
        embedding_dim=768,
        max_token_size=8192,
        func=embedding_func
    )
)

可扩展的存储后端

LightRAG 为向量、图谱和键值存储设计了可插拔的存储接口。

• 向量存储：默认使用轻量级内存存储，可轻松切换至 FAISSFacebook AI Similarity Search, a library for efficient similarity search and clustering of dense vectors.（本地高性能）、PostgreSQL (pgvector)（生产级持久化）等。
• 图谱存储：默认使用内置的 NetworkXStorage（适用于中小规模、原型开发）。对于生产环境，强烈推荐：
  • Neo4j：成熟的图数据库，提供丰富的查询语言和可视化工具。
  • PostgreSQL + Apache AGE一个为 PostgreSQL 扩展的开源图数据库扩展，允许在 PostgreSQL 中存储和查询图数据。：将图数据库功能集成到熟悉的PostgreSQL中，实现“一库多用”，简化架构。

配置 Neo4j 示例：

# 环境变量配置
export NEO4J_URI="bolt://localhost:7687"
export NEO4J_USERNAME="neo4j"
export NEO4J_PASSWORD="your_password"

# 代码中指定使用 Neo4j
rag = LightRAG(
    working_dir="./neo4j_rag",
    graph_storage="Neo4JStorage", # 关键参数：指定图存储后端
    llm_model_func=...,
    embedding_func=...
)

知识图谱的交互与管理

LightRAG 不仅自动构建图谱，还提供了完整的CRUD API，允许用户动态地修正和增强知识库。

实体与关系编辑：

# 创建实体
rag.create_entity(
    "量子计算",
    properties={"description": "利用量子力学原理进行计算的新范式", "category": "前沿科技"}
)

# 创建关系
rag.create_relation(
    "谷歌", "量子计算",
    properties={"relation_type": "投入研发", "strength": 0.9}
)

# 编辑实体（例如，修正描述或合并重复实体）
rag.edit_entity("AI", properties={"description": "人工智能的统称"})

智能实体合并：

此功能对于数据清洗至关重要，可以自动合并指代相同现实世界对象的不同实体表述。

# 将“机器学习”、“ML”、“Machine Learning”合并到“机器学习”下
rag.merge_entities(
    source_entities=["机器学习", "ML", "Machine Learning"],
    target_entity="机器学习",
    target_entity_data={"entity_type": "技术领域"}
)
# 合并后，所有与源实体相关的关系都会迁移到目标实体上。

常见问题（FAQ）

LightRAG和传统RAG框架有什么区别？

LightRAG创新地融合了知识图谱与向量检索，形成“双引擎驱动”架构。知识图谱作为结构化大脑处理复杂关联，向量检索作为非结构化记忆，通过混合检索模式动态结合两者优势，解决传统RAG在多跳推理上的不足。

如何快速开始使用LightRAG进行文档查询？

可通过PyPI安装核心库（pip install lightrag-hku），支持API的版本需安装lightrag-hku[api]。初始化后，配置LLM后端（如OpenAI）和嵌入模型，即可加载文档并执行混合检索查询，详见文中的第一个查询示例代码。

LightRAG支持哪些存储方案和LLM模型？

LightRAG支持可扩展的存储后端，并兼容多种LLM后端。框架设计灵活，允许注入不同模型，确保用户能根据需求选择适合的存储和生成模型，实现高效的文档分析与查询。