LightRAG：基於圖結構的檢索增強生成框架，支援雙層檢索
[EMNLP2025]“LightRAG：簡單快速的檢索增強生成。
秒懂
- 它是什麼？
- 一個 Python 知識圖譜 RAG 框架，包含圖儲存與向量儲存、五種查詢模式、多模態文件解析和 REST API 伺服器。
- 適合誰用？
- LightRAG 採用 MIT 授權，README 提供了評估表格以及大量設定和部署文件。README 未說明生產效能、安全保證或具體版本行為，這些需要單獨驗證。
- 可以商用嗎？
- 可以。MIT 是寬鬆授權：你可以使用、修改並販售以它為基礎的軟體，只需保留著作權與授權聲明。
- 還在維護嗎？
- 有在維護。儲存庫最近一次提交在 1 天前。
- 用什麼語言寫的？
- 主要是 Python（依據 GitHub 的語言統計）。
以上回答依據專案的 GitHub 資料（最近同步於 2026年9月14日）與我們的分析，不構成法律意見。
開源專案深度解析
LightRAG 及其圖結構方法
README 將 LightRAG 描述為輕量級知識圖譜 RAG 框架，並稱其是 Microsoft GraphRAG 的高效替代方案。它採用雙層架構，同時管理知識圖譜和向量嵌入，試圖在傳統基於向量的 RAG 與基於圖的 RAG 之間建立橋樑。專案使用 Python 編寫，倉庫中繼資料將其關聯到 EMNLP2025 論文，arXiv 編號為 2410.05779。README 表示該框架面向高可擴充性，旨在降低運算開銷、回應延遲和增量更新成本，並稱在與 30B 開源大語言模型配合時仍能保持較高的 RAG 品質。
LightRAG README 可核對的背景資料1： # LightRAG: Simple and Fast Retrieval-Augmented Generation --- --- ## News - [2026.07][New Feature]: Add Smart Heading recognition feature for word documents. - [2026.05][New Feature]: Merge RagAnything into LightRAG. Multimodal content parsing and extraction via MinerU / Docling services. - [2026.05][New Feature]: Introducing four selectable text chunking strategies: `Fix`, `Recursive`, `Vector`, and `Paragraph`. - [2026.05][New Feature]: Role-specific LLM configuration suppo。這些內容只描述 LightRAG 已公開的介面與用途；README 沒有交代的部署細節、模型效果或權限行為，本文保留為未說明，不把推測寫成保證。
LightRAG 核對項目1：依 README 的安裝命令處理依賴，檢查文件指定的設定檔與環境變數，再用文件中的輸入格式執行一次。請記錄終端輸出、產生的檔案、退出狀態與錯誤位置，並分開觀察首次執行和再次執行的差異。若這個專案沒有說明某個平台、資料源或權限情境，該情境就只能列為未驗證範圍，不能從相似工具推導結論。
檢索：local、global 及其他模式
LightRAG 有五種查詢模式。local 從知識圖譜中檢索候選實體及其直接關聯屬性，適合針對具體物件或事實的問題。global 檢索覆蓋廣泛主題的關係鏈，用於跨文件推理和總結。hybrid 合併 local 和 global 的結果。naive 不藉助知識圖譜，直接基於向量相似度從原始文字區塊中檢索。mix 合併 local、global 和 naive 的結果；README 稱 mix 是預設模式，通常能產生最理想的查詢結果，但比 naive 稍慢。
LightRAG README 可核對的背景資料2： --- --- ## News - [2026.07][New Feature]: Add Smart Heading recognition feature for word documents. - [2026.05][New Feature]: Merge RagAnything into LightRAG. Multimodal content parsing and extraction via MinerU / Docling services. - [2026.05][New Feature]: Introducing four selectable text chunking strategies: `Fix`, `Recursive`, `Vector`, and `Paragraph`. - [2026.05][New Feature]: Role-specific LLM configuration support, 4 distinct roles: EXTRACT, QUERY, KEYWORDS, and VLM, with independent LLM settings. - [2026.03][New Feature]: Integrated OpenSearch a。這些內容只描述 LightRAG 已公開的介面與用途；README 沒有交代的部署細節、模型效果或權限行為，本文保留為未說明，不把推測寫成保證。
LightRAG 核對項目2：依 README 的安裝命令處理依賴，檢查文件指定的設定檔與環境變數，再用文件中的輸入格式執行一次。請記錄終端輸出、產生的檔案、退出狀態與錯誤位置，並分開觀察首次執行和再次執行的差異。若這個專案沒有說明某個平台、資料源或權限情境，該情境就只能列為未驗證範圍，不能從相似工具推導結論。
文件解析與多模態輸入
文件處理流程支援 MinerU、Docling 和 Native 解析器，並可擴充第三方解析器。Native 引擎可解析 Word 和 Markdown 文件中的圖片、表格和公式，並辨識 Word 文件中的章節標題。根據 README，從 v1.5 開始，多模態內容透過知識圖譜與正文關聯，並在查詢時使用。可選的文字區塊策略有四種：定長、遞迴字元、向量語意和段落語意。段落語意策略會盡可能使區塊邊界與文件的標題、段落和表格對齊。
LightRAG README 可核對的背景資料3：ts. - [2026.05][New Feature]: Merge RagAnything into LightRAG. Multimodal content parsing and extraction via MinerU / Docling services. - [2026.05][New Feature]: Introducing four selectable text chunking strategies: `Fix`, `Recursive`, `Vector`, and `Paragraph`. - [2026.05][New Feature]: Role-specific LLM configuration support, 4 distinct roles: EXTRACT, QUERY, KEYWORDS, and VLM, with independent LLM settings. - [2026.03][New Feature]: Integrated OpenSearch as a unified storage backend, providing comprehensive support for all four LightRAG storage. - [2026.03][New Feature]: Introduced a setup 。這些內容只描述 LightRAG 已公開的介面與用途；README 沒有交代的部署細節、模型效果或權限行為，本文保留為未說明，不把推測寫成保證。
LightRAG 核對項目3：依 README 的安裝命令處理依賴，檢查文件指定的設定檔與環境變數，再用文件中的輸入格式執行一次。請記錄終端輸出、產生的檔案、退出狀態與錯誤位置，並分開觀察首次執行和再次執行的差異。若這個專案沒有說明某個平台、資料源或權限情境，該情境就只能列為未驗證範圍，不能從相似工具推導結論。
儲存後端與更新機制
LightRAG 需要四種儲存：KV、向量、圖和文件狀態。預設儲存是記憶體資料庫並帶有本機檔案持久化，僅用於開發和除錯。生產環境中，PostgreSQL、MongoDB 或 OpenSearch 可以承擔全部四種儲存，Milvus、Qdrant、Neo4j 和 Memgraph 則用於專門的向量或圖儲存。README 描述了增量更新和選擇性刪除：刪除文件時，系統可以利用索引期間建立的 LLM 快取快速重建受影響的實體和關係。它還指出 LightRAG 目前不提供重新嵌入工具。
LightRAG README 可核對的背景資料4： [2026.05][New Feature]: Introducing four selectable text chunking strategies: `Fix`, `Recursive`, `Vector`, and `Paragraph`. - [2026.05][New Feature]: Role-specific LLM configuration support, 4 distinct roles: EXTRACT, QUERY, KEYWORDS, and VLM, with independent LLM settings. - [2026.03][New Feature]: Integrated OpenSearch as a unified storage backend, providing comprehensive support for all four LightRAG storage. - [2026.03][New Feature]: Introduced a setup wizard. Support for local deployment of embedding, reranking, and storage ba。這些內容只描述 LightRAG 已公開的介面與用途；README 沒有交代的部署細節、模型效果或權限行為，本文保留為未說明，不把推測寫成保證。
LightRAG 核對項目4：依 README 的安裝命令處理依賴，檢查文件指定的設定檔與環境變數，再用文件中的輸入格式執行一次。請記錄終端輸出、產生的檔案、退出狀態與錯誤位置，並分開觀察首次執行和再次執行的差異。若這個專案沒有說明某個平台、資料源或權限情境，該情境就只能列為未驗證範圍，不能從相似工具推導結論。
伺服器、API 與部署方式
倉庫包含 LightRAG 伺服器，提供 Web UI 和 REST API。可以透過 PyPI 的 api extra 或從原始碼安裝，README 推薦使用 uv 管理套件。還提供 Docker Compose 部署方式和互動式設定精靈，用於產生 .env 檔案。README 包含安全警告：在將伺服器暴露到網路之前，應使用 LIGHTRAG_API_KEY 或 AUTH_ACCOUNTS 加 TOKEN_SECRET 設定認證，或繫結到 127.0.0.1。沒有認證時所有端點都是公開的，且相容 Ollama 的 /api/* 路由預設保持開放。
LightRAG README 可核對的背景資料5：[New Feature]: Role-specific LLM configuration support, 4 distinct roles: EXTRACT, QUERY, KEYWORDS, and VLM, with independent LLM settings. - [2026.03][New Feature]: Integrated OpenSearch as a unified storage backend, providing comprehensive support for all four LightRAG storage. - [2026.03][New Feature]: Introduced a setup wizard. Support for local deployment of embedding, reranking, and storage ba。這些內容只描述 LightRAG 已公開的介面與用途；README 沒有交代的部署細節、模型效果或權限行為，本文保留為未說明，不把推測寫成保證。
模型角色、嵌入與重新排序
LightRAG 需要四種角色的 LLM：EXTRACT 負責實體關係抽取，QUERY 負責產生最終答案，KEYWORD 負責對延遲敏感的關鍵字產生，VLM 負責影像輸入。README 建議抽取和關鍵字角色使用非思考模型，查詢角色使用更強的模型。嵌入模型必須在文件索引前確定，並在查詢階段使用同一個模型；更換嵌入模型需要重新嵌入所有文字區塊、實體和關係，而 LightRAG 目前沒有重新嵌入工具。重新排序是可選的，會引入約 1 到 2 秒延遲，並且可以在查詢階段隨時更換。
LightRAG README 可核對的背景資料6：s. - [2026.03][New Feature]: Integrated OpenSearch as a unified storage backend, providing comprehensive support for all four LightRAG storage. - [2026.03][New Feature]: Introduced a setup wizard. Support for local deployment of embedding, reranking, and storage ba。這些內容只描述 LightRAG 已公開的介面與用途；README 沒有交代的部署細節、模型效果或權限行為，本文保留為未說明，不把推測寫成保證。
評估結果、SDK 使用與授權
README 包含一個效能對比表，將 LightRAG 與 NaiveRAG、RQ-RAG、HyDE 和 GraphRAG 在農業、電腦科學、法律和混合領域進行比較。LightRAG 在大多數對比中佔優，但表中顯示 GraphRAG 在部分混合領域指標上領先，例如總體得分 50.4% 對 49.6%。README 建議在專案中整合 LightRAG 時使用 REST API；SDK 面向嵌入式應用或學術研究，部分功能只能透過 SDK 使用。專案採用 MIT 授權，授予使用、複製、修改、合併、發布、散佈、再授權和銷售軟體的權利，並宣告軟體按 "現況" 提供，不附帶任何擔保。授權沒有涉及安全性、支援或生產保證。
LightRAG README 可核對的背景資料7： --- --- ## News - [2026.07][New Feature]: Add Smart Heading recognition feature for word documents. - [2026.05][New Feature]: Merge RagAnything into LightRAG. Multimodal content parsing and extraction via MinerU / Docling services. - [2026.05][New Feature]: Introducing four selectable text chunking strategies: `Fix`, `Recursive`, `Vector`, and `Paragraph`. - [2026.05][New Feature]: Role-specific LLM configuration support, 4 distinct roles: EXTRACT, QUERY, KEYWORDS, and VLM, with independen。這些內容只描述 LightRAG 已公開的介面與用途；README 沒有交代的部署細節、模型效果或權限行為，本文保留為未說明，不把推測寫成保證。
編輯結論
LightRAG 採用 MIT 授權，README 提供了評估表格以及大量設定和部署文件。README 未說明生產效能、安全保證或具體版本行為，這些需要單獨驗證。 採用前請先依 LightRAG README 的實際命令、設定檔與輸入輸出做一次最小流程，確認你的環境能重現文件描述的結果；若核心整合或安全邊界未被文件說明，就不宜直接放進不可逆的正式流程。
社群筆記