HKUDS GitHub avatar

LightRAG

Python
轻量检索增强生成框架HKUDS最近推送 2026年11月19日
RAG 与知识库MIT40.8k5,788294 issues7 天 +100

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

5.0

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

  1. 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。

  2. 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。

  3. 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。

  4. 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。

  5. 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. 1

    安装

    通过 pip 安装官方包。

    pip install lightrag-hku
  2. 2

    配置模型

    设置 LLM 与嵌入模型的 API Key 及存储后端。

  3. 3

    启动服务

    运行仓库提供的服务入口,打开 Web 界面。

    lightrag-server
  4. 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。

主题标签

knowledge-graphlarge-language-modelsretrieval-augmented-generationgenaigraphragllmraggptdoclingmineruragas