- 综合排序
- 最热优先
- 最新优先
- 来自专栏AI进修生
LightRAG开源了！轻巧、强大，GraphRAG的进化版
LightRAG 的工作流程分为三个核心部分： 1. 图基文本索引（Graph-Based Text Indexing） 2. • 步骤 6：整合高阶相关性 • 为增强检索的准确性，LightRAG 会收集检索到的图元素的邻接节点，涉及检索到的实体及其关系的上下文。 LightRAG 架构实例解释 LightRAG 主要通过以下几个步骤来让信息检索更准确、更智能： 1. LightRAG在四个数据集/评估维度上都显示出了显著的改进，效果优于GraphRAG、NaiveRAG、RQ-RAG 、HyDE。 ▲ 在四个数据集和四个评估维度下，基线与LightRAG的胜率（%）对比 LightRAG 的代码结构基于nano-graphrag，一个更小、更快的GraphRAG。
7.5K10编辑于 2024-12-02 - 来自专栏ceshiren0001
初识LightRAG：轻量级知识图谱框架指南
LightRAG是一款创新的知识图谱增强检索框架，它将传统向量检索与知识图谱的结构化信息相结合，大幅提升了检索准确性和可解释性。 与传统的RAG（Retrieval-Augmented Generation）系统相比，LightRAG通过引入轻量级知识图谱，解决了单纯向量检索中遇到的关系缺失、语义模糊等问题。 # 可选：安装GPU加速支持pip install lightrag-gpu# 或者从源码安装git clone https://github.com/lightrag/lightrag.gitcd lightragpip 基本用法from lightrag import LightRAGfrom lightrag.knowledge_graph import KnowledgeGraph# 初始化知识图谱kg = KnowledgeGraph 与LLM集成from lightrag import LightRAGAgent# 创建RAG代理agent = LightRAGAgent(rag_model=rag, llm_model="gpt-
2K10编辑于 2025-08-29 - 来自专栏Python
LightRAG：图增强检索框架，索引速度提升10倍
香港大学团队开源的LightRAG提供了新思路：用知识图谱双层索引重构检索架构，在保持轻量化的同时，让索引速度比GraphRAG快10倍。 二、双层图谱架构设计核心创新点LightRAG采用分层设计思路：展开代码语言：TXTAI代码解释文档输入→实体关系提取→双层知识图谱├─低层图：细粒度实体关系└─高层图：Leiden聚类社区低层图负责精准定位 架构设计启示图谱+向量混合检索是处理复杂查询的有效方案异步+批处理是大规模数据处理的标准做法存储抽象层让系统能适配不同部署环境增量更新机制是生产级系统的必备能力对后端架构师来说，LightRAG展示了如何在性能 结尾LightRAG通过工程化手段解决了GraphRAG的性能瓶颈，为企业级知识检索提供了可落地的架构方案。如果你正在构建RAG系统，这个项目值得深入研究。 持续解读优质开源项目项目地址：Github：HKUDS/LightRAGAI课程学习：https://yunpan.plus/f/29Python课程：https://yunpan.plus/f/26标签：#LightRAG
71010编辑于 2025-12-03 - 来自专栏ceshiren0001
用LightRAG打造智能问答系统：知识图谱与RAG的融合应用实践
而LightRAG，正是这样一个将知识图谱与RAG轻量融合的创新框架。本文将以LightRAG为例，带你轻松入门，探索如何借助知识图谱的力量，提升RAG系统的准确性与整体性能。 一、LightRAG核心架构解析LightRAG的创新之处在于其三重检索机制：向量检索：基于嵌入的相似性搜索关键词检索：传统的文本匹配方法图检索：通过知识图谱进行语义关系查询这种混合检索方式确保了检索结果的全面性和准确性 二、环境安装与配置# 安装LightRAG核心库pip install lightrag# 安装依赖库pip install transformers sentence-transformers torch 配置基础环境：import lightrag# 初始化LightRAGrag = lightrag.LightRAG( model_name="sentence-transformers/all-MiniLM-L6 projects/projects.json", department_structure="org/structure.xml")# 构建企业智能助手enterprise_assistant = lightrag.LightRAG
1.1K00编辑于 2025-08-27 LightRAG × Yuxi-Know——「知识检索 + 知识图谱」实践案例
一、LightRAG：把“图结构”装进 RAG 的双层检索大脑 LightRAG 的核心设计思路是：在传统向量召回基础上，显式引入知识图谱（KG），形成“低层语义块 + 高层图结构”的双层检索，让答案既能对齐语义又能走通逻辑路径 最小化安装（示例）： pip install "lightrag-hku[api]" cp env.example .env lightrag-server # 启动 Web UI + API（含 Ollama 兼容接口） 或直接 Docker： git clone https://github.com/HKUDS/LightRAG.git cd LightRAG&& cp env.example .env docker compose up 二、Yuxi-Know：把 LightRAG 连接成“知识图谱智能体平台” Yuxi-Know 的定位是“结合 LightRAG 知识库的知识图谱智能体平台 •结合 LightRAG 的引文/可视化，提升可解释性与审阅体验。 四、适配哪些真实场景？
84510编辑于 2026-03-13- 来自专栏AgenticAI
LightRAG 双层检索机制揭秘：优化数据处理与查询响应
LightRAG Indexing Flowchart 3. LightRAG 的双层检索机制 为支持多样化查询类型，LightRAG 管道采用了双层检索策略，能够同时满足具体查询和抽象查询的需求，为用户提供精准且相关的定制化响应： 低级检索：主要针对特定实体及其相关属性或关系的检索 LightRAG GUI 第三方基于 Streamlit 实现了一版开源的 LightRAG GUI，代码地址：https://github.com/aiproductguy/lightrag-gui 参考资料 [1] LightRAG Gui: https://lightrag-gui.streamlit.app/ [2] 源码开源: https://github.com/aiproductguy/ lightrag-gui/blob/main/notebooks/streamlit-app-lightrag.py
1.1K11编辑于 2025-03-18 - 来自专栏DeepHub IMBA
LightRAG 实战： 基于 Ollama 搭建带知识图谱的可控 RAG 系统
LightRAG 是个开源的 RAG 框架，专门用来快速搭建模块化的检索增强生成管道。 这个项目在 GitHub 上热度不低，我们今天来看看他到底怎么用 基础安装与环境配置 LightRAG 的安装过程很简单，几行命令就能搞定： pip install "lightrag-hku[api 环境搭好之后，可以先跑一下官方提供的示例代码(摘自 readme)： import os import asyncio from lightrag import LightRAG, QueryParam import initialize_pipeline_status from lightrag.utils import setup_logger setup_logger("lightrag LightRAG 项目地址：https://github.com/HKUDS/LightRAG 作者：Alain Airom 喜欢就关注一下吧： 点个 在看 你最好看！
88411编辑于 2025-11-15 - 来自专栏AI研思录
LightRAG：用图结构和双层检索打造更智能的RAG系统
今天分享的是北京邮电大学和香港大学联合发表的一篇文章：图结构数据进行增强的RAG系统——LightRAG 论文题目：LIGHTRAG: SIMPLE AND FAST RETRIEVAL-AUGMENTED 同时LightRAG 具备快速适应新数据的能力，通过动态更新索引和优化图谱，动态适应各种需求。 论文核心 LightRAG基于图进行文本索引能够从图结构中提取多跳信息，增强了RAG系统处理跨越多个文档块的复杂查询的能力，同时LightRAG的增量更新算法减少了计算开销，同时确保了信息的及时更新。 基于图的文本索引 在LightRAG中数据索引涉及以下几个步骤： 文档分割：LightRAG系统首先将文档分割为更小、更易管理的部分，从而能够快速定位和访问相关信息，而无需分析整个文档。 LightRAG 的无缝增量更新功能确保系统能够随时响应新信息，保持数据的有效性。
2.6K11编辑于 2025-02-20 - 来自专栏AI研思录
GraphRAG框架总结：开启智能知识的全新时代
LightRAG 港大黄超团队最新开源的LightRAG，结合了图结构与双层检索机制，显著降低了大模型检索增强的成本，同时提升了信息检索的准确性和效率。 首先，通过引入图结构，LightRAG能够更好地捕捉实体之间的复杂依赖关系，实现全面的信息理解。其次，其双层检索策略允许系统同时处理具体和抽象的查询，确保用户获得既相关又丰富的响应。 此外，LightRAG具备快速适应新数据的能力，使其在动态环境中保持高效和准确。综合来看，这些优势使得LightRAG在处理复杂查询时表现出色，能够提供更具上下文相关性的答案。 论文地址：https://arxiv.org/abs/2410.05779 项目地址：https://github.com/HKUDS/LightRAG GraphRAG-Local-UI：本地交互的GraphRAG
1.5K10编辑于 2025-02-20 - 来自专栏RAG
GraphRAG开源生态全景：6大主流开源项目，微软/蚂蚁/港大项目同台PK
LightRAGgithub:https://github.com/HKUDS/LightRAG论文：https://lightrag.github.io/针对微软GraphRAG计算开销过大且难以处理动态数据的痛点 ，香港大学数据科学实验室（HKUDS）推出的LightRAG（HKUDS/LightRAG）通过引入轻量化的索引机制与增量更新逻辑，迅速成为开源界的热门选择。 这种全格式支持使得LightRAG在处理企业内部复杂的非结构化数据时具备天然优势。 它在底层深度集成了LightRAG作为检索增强引擎，并结合LangChainv1、FastAPI与Vue等主流技术栈。 初创团队与轻量化MVP**开发：LightRAG提供了目前最优的“性价比-速度”平衡点，增量更新特性允许随业务增长无痛扩展。
64710编辑于 2026-03-17 GraphRAG/LightRAG/Kotaemon从0开始构建中医方剂大模型知识图谱问答
安装步骤首先安装一下LightRAG库，官方建议从源码安装git clone https://github.com/HKUDS/LightRAG.gitcd LightRAGpip install -e 了import nest_asynciofrom lightrag import LightRAG, QueryParamfrom lightrag.llm import ollama_model_completefrom Kotaemon与LightRAG的对比，在学习之后才发现这个工具的强大首先，Kotaemon与LightRAG的最大区别就是Kotaemon是一个比较稳定的企业级RAG框架对于大部分使用RAG框架的用户来说 效果基本一致；在Drift检索下，GraphRAG远优于LightRAG。 基于GPT4o+LightRAG自动构建知识图谱鉴于上面效果并不是很好，所以下面我还是采用API的方式具体的部署方式在上面已经给出了，此处也不过多赘述回到LightRAG文件夹下，我们选择 lightrag_openai_compatible_demo.py
3.9K102编辑于 2024-12-09- 来自专栏AgenticAI
微软开源的 Markitdown 可将任意文件转换为 Markdown 格式，PDF 解析咋样？
我们尝试转换 LightRAG 的论文。 markitdown lightrag.pdf > lightrag.md 原文表格 LightRAG 里有一个复杂表格，这里就不演示了，使用最简单的表格。
1.3K10编辑于 2025-03-18 - 来自专栏AgenticAI
深度解析仿人脑记忆搜索的HippoRAG2，全面对比GraphRAG、KAG、LightRAG和PIKE-RAG，成本缩减12倍
本文首先解析 HippoRAG 2 的设计思路，并通过在数据集上对比 GraphRAG、LightRAG、KAG 和 PIKE-RAG，展示其在知识检索中的独特优势，并讨论 hipporag2 的成本优势 数据集表现对比 在论文中，比较RAPTOR[4]、GraphRAG[5]、LightRAG[6]和 HippoRAG 1 代，我参考了KAG 论文[7]、PIKE-RAG[8]论文制作了以下表格，方便比较 RAG HotpotQA 2Wiki MuSiQue RAPTOR 69.5 52.1 28.9 GraphRAG 68.6 58.6 38.5 LightRAG 2.4 11.6 1.6 HippoRAG 令我意外的是，LightRAG 在这些数据集上的表现远低于预期。 本文详细解析了 HippoRAG2 的原理，并对比了 GraphRAG、LightRAG、PIKE-RAG、KAG等当前主流方案。
2.4K01编辑于 2025-03-18 - 来自专栏NLP/KG
2024技术总结：LLM之RAG技术全栈进化解析、Agent应用案例精选、LLM大模型部署实战指南
Github 地址：https://github.com/HKUDS/LightRAG LightRAG在信息之间保持关系，能产生更优质的答案，同时其计算效率也更高。 与之前的RAG模型相比，LightRAG引入了多项创新功能： 图增强文本索引：通过将图结构纳入文本索引，LightRAG能够建立相关实体之间的复杂关系，从而提升系统的上下文理解能力。 LightRAG的轻量化特性使其能够快速处理大规模知识库并生成文本，减少了计算成本，适合更多开发者和小型企业使用。 LightRAG的架构主要分为两个部分：基于图的文本索引和双层检索。 案例研究：LightRAG与基线方法GraphRAG的比较 第三方基于 Streamlit 实现了一版开源的 LightRAG GUI，代码地址：https://github.com/aiproductguy /lightrag-gui/blob/demo2/notebooks/streamlit-app-lightrag.py 国内大模型+Agent应用案例精选，以及主流Agent框架开源项目推荐 智胜未来
2.2K11编辑于 2025-01-25 - 来自专栏机器智能技术干货
OpenSPG/KAG v0.6 发布，兼顾事实推理与摘要生成，支持用户自定义 Schema
在 CSQA 数据集上，全面性、多样性、赋权性等指标弱于 LightRAG （-1.2/10），事实性指标优于 LightRAG（+0.1/10）；在 hotpotqa, twowiki, musique 等多跳问答数据集上，鉴于 LightRAG、GraphRAG 均未提供事实问答的测评入口，使用默认入口测试 EM 指标接近 0。
1.4K11编辑于 2025-01-08 - 来自专栏机器之心
单卡3090帮你一口气看完《黑悟空》，港大百度打造超长视频理解引擎VideoRAG
实验评估 我们在首个超长跨视频理解基准数据集 LongerVideos 上对 VideoRAG 进行了全面的实证评估，涵盖了与现有 RAG 方法（NaiveRAG、GraphRAG、LightRAG）、 性能对比 与 RAG 方法对比（使用胜率评估）： VideoRAG 的卓越性能：VideoRAG 在 所有维度指标和所有视频类型 上均显著优于 NaiveRAG、GraphRAG 和 LightRAG 相较于 GraphRAG 和 LightRAG，VideoRAG 依托多模态上下文融合和查询感知检索，在视觉 - 文本信息对齐和精准内容选择上更具优势，使回答更具语境连贯性和理解深度，在知识驱动的视频问答任务中显著领先 与 LightRAG 的对比分析显示，VideoRAG 在细节和技术深度上明显优于 LightRAG。 虽然两者都描述了评分系统的核心概念，但 LightRAG 在解释 “评分员评分机制” 时缺乏关键技术细节，而 VideoRAG 提供了更全面且精准的技术解释。
61500编辑于 2025-02-15 - 来自专栏新智元
终于等到你！港大首发「轻量级RAG神器」MiniRAG，1.5B手机端可用
实验结果显示，当将大型语言模型(LLM)替换为小型语言模型(SLM)时，各框架表现差异显著：GraphRAG则因无法保证生成质量而完全失效，LightRAG的性能断崖式下降(最高降幅达45.43%)。 具体而言，LightRAG的整体性能显著下降(降幅达45.43%)，而GraphRAG在小模型场景下甚至无法维持基本的生成能力。这些问题充分暴露了传统RAG架构对大型语言模型的深度依赖。 与采用gpt-4-mini的LightRAG基线系统相比，MiniRAG仅需25%的存储空间即可达到相当的性能水平。 第一组实验(-I)将MiniRAG的异构图索引替换为传统的基于描述的索引方法，该方法与LightRAG和GraphRAG相似，主要依赖模型的语义理解能力来生成实体与关系描述。 尽管LightRAG采用了phi-3.5-mini-instruct模型，但受限于小型语言模型的固有局限性，特别是在提取high-level信息和处理图索引噪声方面的不足，导致其检索效果不够理想。
45010编辑于 2025-02-15 - 来自专栏小七的各种胡思乱想
解密prompt系列41. GraphRAG真的是Silver Bullet？
这里我们只看下lightrag和graph rag的核心差异点：对图索引的构建和图信息召回在图谱构建的环节二者基本是一致的，差异在于LightRAG为了构建召回索引，在graphRAG抽取实体和关系的Prompt 对比微软使用子图report来描述局部信息，lightrag在抽取时使用关键词来描述局部信息，更加轻量级，但对于范围更大的子图信息描述会有不足。 relationship_description>{tuple_delimiter}<relationship_keywords>{tuple_delimiter}<relationship_strength>)...同上"""而在检索阶段，lightrag level：用于回答细节类的问题，例如谁写了傲慢与偏见，问题专注于具体实体，关系high level：用于回答全局类，概念类问题，需要掌握全局，抽象信息，例如人工智能如何影响当代教育针对以上两个角度，lightrag
92120编辑于 2025-09-26 - 来自专栏福大大架构师每日一题
行业落地案例分享：Dify在顺丰内部实施AI智能助手
Dify新增了对GraphRAG（图增强检索）和LightRAG（轻量级检索）的支持。GraphRAG通过图结构优化检索结果，适合复杂场景；LightRAG则以轻量高效为特点，适用于快速检索需求。
2.3K20编辑于 2025-03-17 - 来自专栏算法之名
RAG/KAG
LightRAG LightRAG在面对一篇文档做了3个处理 提取文档中的实体和关系。 对重复的实体和相似的实体进行去重和过滤。 下载地址：https://github.com/HKUDS/LightRAG 环境安装 下载完成后解压，进入lightrag主目录 conda create -n lightrag python=3.10 conda activate lightrag pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple ，内容如下 import asyncio import os import inspect import logging from lightrag import LightRAG, QueryParam from lightrag.llm import ollama_model_complete, ollama_embed from lightrag.utils import EmbeddingFunc
1.1K10编辑于 2025-02-06
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号