LightRAG：轻量级知识图谱RAG引擎教程

GitHub：HKUDS/LightRAG · ⭐ 25K+ · Python · MIT协议

项目简介

LightRAG是香港大学数据科学实验室（HKUDS）开源的轻量级RAG框架，核心创新在于融合知识图谱与向量检索，采用双层检索范式（低层次实体检索 + 高层次主题检索），解决了传统RAG在多跳推理和全局理解上的短板。相比微软GraphRAG，LightRAG更轻量、更快，且支持增量更新。

安装

# pip安装（推荐）
pip install lightrag-hku

# 源码安装（含完整examples）
git clone https://github.com/HKUDS/LightRAG.git
cd LightRAG
pip install -e .

# 启动Web UI + API服务器
pip install "lightrag-hku[api]"
lightrag-server --host 0.0.0.0 --port 9621

核心架构

快速使用

import asyncio
from lightrag import LightRAG, QueryParam
from lightrag.llm.openai import openai_complete_if_cache

# 初始化
rag = LightRAG(
    working_dir="./rag_data",
    llm_model_func=openai_complete_if_cache,
    llm_model_name="gpt-4o-mini"
)

# 插入文档
with open("document.txt", "r") as f:
    rag.insert(f.read())

# 查询（四种模式）
result = rag.query(
    "这份合同的主要风险点是什么？",
    param=QueryParam(mode="hybrid")  # naive/local/global/hybrid
)
print(result)

四种查询模式对比

用Ollama本地部署（零成本）

# 安装Ollama + 模型
ollama pull qwen3:8b
ollama pull nomic-embed-text

# 配置.env
LLM_BINDING=ollama
LLM_MODEL=qwen3:8b
EMBEDDING_BINDING=ollama
EMBEDDING_MODEL=nomic-embed-text

# 启动
lightrag-server

相比 Dify RAG平台 的可视化拖拽方式，LightRAG更适合代码驱动的开发者，且知识图谱能力让多跳推理准确率显著提升。