AI 分析 · 由大模型根据 README 与仓库数据生成 · 2026年11月17日
基于知识图谱的轻量检索增强生成框架,兼顾速度与效果。
LightRAG 是香港大学数据智能实验室开源的检索增强生成(RAG)框架,论文发表于 EMNLP2025。它在传统向量检索之外引入知识图谱,把文档中的实体与关系组织起来,让问答能同时利用局部细节和全局关联。项目用 Python 实现,以 pip 包 lightrag-hku 发布,强调实现简单、运行快。
推荐指数
成熟度高、迭代活跃的知识图谱 RAG 框架,适合认真做文档问答的团队。
近 7 天
+100
新增 Star
总 Star 排名
#142
雷达追踪的 3,958 个 AI 仓库中
创建于
2024
2024年10月2日
核心亮点
1图谱加向量
同时构建知识图谱与向量索引,兼顾局部细节与跨文档关联。
2多存储后端
支持 Neo4j、MongoDB、OpenSearch 等多种存储,可按规模选型。
3多模态解析
集成 MinerU、Docling,可处理 PDF、图片、表格、公式等格式。
4可评估可追踪
集成 RAGAS 评估与 Langfuse 追踪,便于量化检索质量。
5文档可删除
删除文档后自动重建知识图谱,保持索引与内容一致。
适用场景
企业文档问答
例如:把内部制度、产品手册导入,员工用自然语言提问并得到带引用的答案。
研究资料检索
例如:对大量论文 PDF 建库,追问某个方法与其他工作的关联。
多模态资料处理
例如:解析含表格和公式的财报 PDF,再基于内容做问答。
RAG 方案对比实验
例如:用 RAGAS 评估不同分块与检索配置的效果差异。
它是怎么工作的
第 1 步
文档解析
读取文本或经 MinerU/Docling 解析 PDF、图片等,并按策略分块。
第 2 步
抽取图谱
调用 LLM 从文本块中抽取实体与关系,写入图存储。
第 3 步
建立索引
同时生成向量索引与关键词索引,供后续检索使用。
第 4 步
混合检索
查询时结合图谱与向量结果,可选 Reranker 提升排序。
第 5 步
生成回答
把检索到的上下文交给 LLM 生成答案,并附来源引用。
快速上手
- 1
安装
通过 pip 安装官方包。
pip install lightrag-hku - 2
配置模型
设置 LLM 与嵌入模型的 API Key 及存储后端。
- 3
启动服务
运行仓库提供的服务入口,打开 Web 界面。
lightrag-server - 4
导入文档
在界面或 API 中上传文档,等待索引完成后提问。
适合谁
- 需要文档问答能力的后端开发者
- 想尝试 GraphRAG 但要求轻量的团队
- 做 RAG 研究或方案对比的工程师
不太适合
- 只想零配置试用聊天机器人的普通用户
- 无法承担 LLM 调用成本的小型项目
成熟度
- 活跃度2026 年 11 月仍有提交,README 新闻持续更新到 2026 年 7 月。
- 文档README 提供多语言版本、架构图与功能说明,细节仍需查文档。
- 社区约 4 万 star、5700 多 fork,有 Discord 与微信群。
- 上手难度需配置 LLM、嵌入与存储后端,并提供服务端与向导降低门槛。
同类项目怎么选
- Microsoft GraphRAG同样基于知识图谱,但流程更重、构建成本更高,LightRAG 更强调轻量与速度。
- LlamaIndex通用数据框架,RAG 只是其中一部分,LightRAG 专注图谱增强检索这一条路径。
- RAG-Anything同团队的多模态 RAG 项目,LightRAG 已将其能力整合进来。
使用前注意
- · MIT 许可,商用限制少,但需保留版权声明。
- · 构建图谱要大量调用 LLM,文档多时 API 成本和时间开销明显。
- · 存储后端与模型配置项较多,首次部署需要一定调试。
- · 效果依赖所选 LLM 的抽取质量,开源小模型需按文档调优。
