📌 项目：https://github.com/HKUDS/LightRAG | 星数：40k | 语言：Python | 协议：MIT | 更新：2026-10-21
LightRAG是香港大学数据科学实验室（HKUDS）开源的RAG框架，40k颗星，Python编写，MIT协议，论文发表于EMNLP 2025。传统RAG用向量检索找相关文档chunk，但向量检索只能找到"语义相似"的内容，做不了实体关系推理（"A公司的CEO曾在B公司任职"需要跨文档推理）。微软的GraphRAG用知识图谱解决这问题，但构建图谱慢且成本高。LightRAG的定位是"简单且快速的图增强RAG"——用轻量图结构（实体+关系）增强向量检索，速度比GraphRAG快10倍，质量优于纯向量RAG。支持多种LLM后端和向量数据库，适合企业知识库问答场景。
RAG与推理方向，DeepSeek推理框架可参考DeepInfer推理指南，OpenAI数学手稿可看OpenAI数学手稿指南，演进推理可参考EvoVLM演进推理指南。
双检索引擎与图结构增强：LightRAG的核心是"向量检索+图检索"双引擎。向量引擎：文档chunk做嵌入向量化，查询时按语义相似度召回top-k chunk（传统RAG能力）。图引擎：从文档中抽取实体和关系（用LLM做NER+关系抽取），构建轻量知识图谱。查询时图引擎做实体中心检索——找到查询涉及的实体，沿关系边扩展到相关实体和文档。两引擎结果融合后送LLM生成答案。图结构解决了向量检索的盲区——"A公司的CEO"这种查询，向量检索可能只找到A公司的简介文档，图引擎能沿"CEO→人物→曾任职→B公司"的关系链找到完整答案。
增量更新与成本效率：LightRAG vs GraphRAG的核心优势是效率。GraphRAG构建知识图谱需要全量处理所有文档（一次构建数百美元LLM成本），增量更新困难。LightRAG支持增量更新——新增文档时只处理新文档的实体和关系，合并到已有图谱，不需要全量重建。构建成本约为GraphRAG的1/10（轻量NER+关系抽取 vs GraphRAG的多轮LLM社区检测）。查询速度：LightRAG查询约2-5秒（含LLM生成），GraphRAG约20-50秒。质量上LightRAG在多跳推理任务上优于纯向量RAG约15-20%，略逊于GraphRAG但差距小（5-10%）。
部署与模型生态：LightRAG支持多种LLM后端——OpenAI/Anthropic/本地Ollama/DeepSeek等，NER和关系抽取用LLM完成，模型越强抽取质量越高但成本也高。向量数据库支持Qdrant/Chroma/FAISS本地模式。图存储用NetworkX（内存图）或Neo4j（持久化）。部署方式：Python pip install + API server（FastAPI），提供REST接口供应用调用。MIT协议允许商用。还提供Web UI（基于Streamlit）做可视化查询和图谱浏览。适合企业知识库、技术文档问答、研究文献分析等场景。
| ✅ 优势 | ❌ 劣势 |
|---|---|
| 向量+图双检索引擎 | LLM抽取有成本 |
| 增量更新成本低 | 图质量依赖LLM能力 |
| 比GraphRAG快10倍 | 中文实体抽取不如英文 |
| EMNLP 2025论文背书 | 大规模图谱内存压力大 |
| MIT可商用 |
LightRAG和GraphRAG都是"图增强RAG"但定位不同。GraphRAG用微软的社区检测算法构建层次化知识图谱，质量高但构建慢且成本高（全量处理，一次构建数百美元）。LightRAG用轻量NER+关系抽取构建扁平图谱，质量略低但快10倍且支持增量更新。选择建议：文档量<1000篇且不频繁更新→GraphRAG（质量优先）；文档量大或频繁更新→LightRAG（效率和成本优先）；需要快速原型验证→LightRAG（部署简单）。两者可以共存——GraphRAG做核心知识库，LightRAG做增量补充。
LightRAG的实体抽取依赖LLM的NER能力——英文实体抽取准确率约85%，中文约70-75%（LLM对中文人名/机构名/术语的识别不如英文准）。可以通过指定中文优化的LLM（如DeepSeek/Qwen）提升中文抽取质量。建议中文场景用DeepSeek做抽取（中文NER强+成本低），用Claude/GPT-4做答案生成（推理质量好）。LightRAG也支持自定义NER模型——可以接入spaCy/HanLP等中文NER工具替代LLM抽取，降低成本提升速度。
最小部署：Python + 本地FAISS + NetworkX内存图 + Ollama（本地LLM），4GB内存可跑1000篇文档。生产部署：Qdrant向量数据库 + Neo4j图数据库 + 云端LLM API，8-16GB内存支持10000篇文档。构建成本：1000篇文档用GPT-4o-mini抽取约$2-5，用DeepSeek约$0.5-1。查询成本：每次问答约$0.01-0.05（含检索和生成）。建议小规模用本地Ollama+FAISS零成本，大规模用Qdrant+DeepSeek控制成本。MIT协议可商用，企业可自托管保护数据隐私。