lightrag-cn-git

🚀 LightRAG: 简单且快速的检索增强生成（RAG）框架

---

---

🎉 新闻

• [2026.05]🎯[新功能]：将 RagAnything 合并至 LightRAG🎉。支持通过 MinerU / Docling 服务进行多模态内容解析与提取。
• [2026.05]🎯[新功能]：引入四种可选的文本分块策略：Fix（固定）、Recursive（递归）、Vector（向量）和 Paragraph（段落语义）。
• [2026.05]🎯[新功能]：支持按角色配置 LLM，提供四个独立角色：EXTRACT、QUERY、KEYWORDS 和 VLM，每个角色拥有独立的 LLM 设置。
• [2026.03]🎯[新功能]: 集成了 OpenSearch 作为统一存储后端，为 LightRAG 的全部四种存储类型提供全面支持。
• [2026.03]🎯[新功能]: 推出交互式安装向导，支持通过 Docker 在本地部署 Embedding、Reranking 及存储后端服务。
• [2025.11]🎯[新功能]: 集成了 RAGAS 评估和 Langfuse 追踪。更新了 API 以在查询结果中返回召回上下文，支持上下文精度指标。
• [2025.10]🎯[可扩展性增强]: 消除了处理瓶颈，以高效支持大规模数据集。
• [2025.09]🎯[新功能]: 显著提升了 Qwen3-30B-A3B 等开源 LLM 的知识图谱提取准确性。
• [2025.08]🎯[新功能]: 现已支持 Reranker，显著提升混合查询性能（已设为默认查询模式）。
• [2025.08]🎯[新功能]: 添加了文档删除功能，并支持自动重新生成知识图谱，以确保最佳查询性能。
• [2025.06]🎯[新发布]: 我们的团队发布了 RAG-Anything —— 一个用于无缝处理文本、图像、表格和方程式的全功能多模态 RAG 系统。
• [2025.06]🎯[新功能]: LightRAG 现已集成 RAG-Anything，支持全面的多模态数据处理，实现对 PDF、图像、Office 文档、表格和公式等多种格式的无缝文档解析和 RAG 能力。详见多模态文档处理部分。
• [2025.03]🎯[新功能]: LightRAG 现已支持引用功能，实现了准确的源归因和增强的文档可追溯性。
• [2025.02]🎯[新功能]: 现在您可以使用 MongoDB 作为一体化存储解决方案，实现统一的数据管理。
• [2025.02]🎯[新发布]: 我们的团队发布了 VideoRAG —— 一个用于理解超长上下文视频的 RAG 系统。
• [2025.01]🎯[新发布]: 我们的团队发布了 MiniRAG，使用小型模型简化 RAG。
• [2025.01]🎯现在您可以使用 PostgreSQL 作为一体化存储解决方案进行数据管理。
• [2024.11]🎯[新资源]: LightRAG 的综合指南现已在 LearnOpenCV 上发布 —— 探索深入的教程和最佳实践。非常感谢博客作者的杰出贡献！
• [2024.11]🎯[新功能]: 推出 LightRAG WebUI —— 一个允许您通过直观的 Web 界面插入、查询和可视化 LightRAG 知识的仪表板。
• [2024.11]🎯[新功能]: 现在您可以使用 Neo4J 进行存储 —— 开启图数据库支持。
• [2024.10]🎯[新功能]: 我们添加了 LightRAG 介绍视频 的链接 —— 演示 LightRAG 的各项功能。感谢作者的杰出贡献！
• [2024.10]🎯[新频道]: 我们创建了一个 Discord 频道！💬 欢迎加入我们的社区进行分享、讨论和协作！ 🎉🎉

算法流程图

 *图1：LightRAG索引流程图 - 图片来源：[Source](https://learnopencv.com/lightrag/)*  *图2：LightRAG检索和查询流程图 - 图片来源：[Source](https://learnopencv.com/lightrag/)*

安装

💡 使用 uv 进行包管理: 本项目使用 uv 进行快速可靠的 Python 包管理。首先安装 uv: curl -LsSf https://astral.sh/uv/install.sh | sh (Unix/macOS) 或 powershell -c "irm https://astral.sh/uv/install.ps1 | iex" (Windows)

注意：如果您愿意，也可以使用 pip，但为了获得更好的性能 and 更可靠的依赖管理，建议使用 uv。

📦 离线部署: 对于离线或隔离环境，请参阅离线部署指南，了解预安装所有依赖项和缓存文件的说明。

安装LightRAG服务器

LightRAG服务器旨在提供Web UI和API支持。Web UI便于文档索引、知识图谱探索和简单的RAG查询界面。LightRAG服务器还提供兼容Ollama的接口，旨在将LightRAG模拟为Ollama聊天模型。这使得AI聊天机器人（如Open WebUI）可以轻松访问LightRAG。

• 从PyPI安装

  ### 使用 uv 安装 LightRAG 服务器（作为工具，推荐)
  uv tool install "lightrag-hku[api]"
  
  ### 或使用 pip
  # python -m venv .venv
  # source .venv/bin/activate  # Windows: .venv\Scripts\activate
  # pip install "lightrag-hku[api]"
  
  ### 构建前端代码
  cd lightrag_webui
  bun install --frozen-lockfile
  bun run build
  cd ..
  
  # 配置 env 文件
  # 从 GitHub 仓库的根目录上下载 env.example 文件
  # 或从本地检出的源代码中获取 env.example 文件
  cp env.example .env  # 使用你的LLM和Embedding模型访问参数更新.env文件
  # 启动API-WebUI服务
  lightrag-server
  

• 从源代码安装

  git clone https://github.com/HKUDS/LightRAG.git
  cd LightRAG
  
  # 一键初始化开发环境（推荐）
  make dev
  source .venv/bin/activate  # 激活虚拟环境 (Linux/macOS)
  # Windows 系统: .venv\Scripts\activate
  
  # make dev 会安装测试工具链以及完整的离线依赖栈
  # （API、存储后端与各类 Provider 集成），并构建前端；不会生成 .env。
  # 启动服务前请先运行 make env-base，或手动从 env.example 复制并配置 .env。
  
  # 使用 uv 的等价手动步骤
  # 注意: uv sync 会自动在 .venv/ 目录创建虚拟环境
  uv sync --extra test --extra offline
  source .venv/bin/activate  # 激活虚拟环境 (Linux/macOS)
  # Windows 系统: .venv\Scripts\activate
  
  ### 或使用 pip 和虚拟环境
  # python -m venv .venv
  # source .venv/bin/activate  # Windows: .venv\Scripts\activate
  # pip install -e ".[test,offline]"
  
  # 构建前端代码
  cd lightrag_webui
  bun install --frozen-lockfile
  bun run build
  cd ..
  
  # 配置 env 文件
  make env-base  # 或: cp env.example .env 后手动修改
  # 启动API-WebUI服务
  lightrag-server
  

• 使用 Docker Compose 启动 LightRAG 服务器

  git clone https://github.com/HKUDS/LightRAG.git
  cd LightRAG
  cp env.example .env  # 使用你的LLM和Embedding模型访问参数更新.env文件
  # modify LLM and Embedding settings in .env
  docker compose up
  

在此获取LightRAG docker镜像历史版本: LightRAG Docker Images

由 GitHub Actions 发布到 GHCR 的官方镜像已使用 GitHub OIDC 和 Sigstore Cosign 进行签名。校验方式请参阅 docs/DockerDeployment.md。

使用 Setup 工具创建 .env 文件

除了手动编辑 env.example 之外，您还可以使用交互式向导生成配置好的 .env，并在需要时生成 docker-compose.final.yml：

make env-base           # 必跑第一步：配置 LLM、Embedding、Reranker
make env-storage        # 可选：配置存储后端和数据库服务
make env-server         # 可选：配置服务端口、鉴权和 SSL
make env-base-rewrite   # 可选：强制重建向导托管的 compose 服务块
make env-storage-rewrite # 可选：强制重建向导托管的 compose 服务块
make env-security-check # 可选：审计当前 .env 中的安全风险

每个目标的详细说明请参阅 docs/InteractiveSetup.md。 这些 setup 向导只负责更新配置；如需在部署前审计当前 .env 的安全风险，请额外运行 make env-security-check。 默认情况下，重新运行 setup 会保留未变化的向导托管 compose 服务块；只有在需要按模板强制重建这些托管块时，才使用 *-rewrite 目标。

安装LightRAG Core

• 从源代码安装（推荐）

  cd LightRAG
  # 注意: uv sync 会自动在 .venv/ 目录创建虚拟环境
  uv sync
  source .venv/bin/activate  # 激活虚拟环境 (Linux/macOS)
  # Windows 系统: .venv\Scripts\activate
  
  # 或: pip install -e .
  

• 从PyPI安装

  uv pip install lightrag-hku
  # 或: pip install lightrag-hku
  

快速开始

LightRAG的LLM及配套技术栈要求

LightRAG对大型语言模型（LLM）的能力要求远高于传统RAG，因为它需要LLM执行文档中的实体关系抽取任务。配置合适的Embedding和Reranker模型对提高查询表现也至关重要。

• LLM选型：
  • 推荐选用参数量至少为32B的LLM。
  • 上下文长度至少为32KB，推荐达到64KB。
  • 在文档索引阶段不建议选择推理模型。
  • 在查询阶段建议选择比索引阶段能力更强的模型，以达到更高的查询效果。
• Embedding模型：
  • 高性能的Embedding模型对RAG至关重要。
  • 推荐使用主流的多语言Embedding模型，例如：BAAI/bge-m3 和 text-embedding-3-large。
  • 重要提示：在文档索引前必须确定使用的Embedding模型，且在文档查询阶段必须沿用与索引阶段相同的模型。有些存储（例如PostgreSQL）在首次建立数表的时候需要确定向量维度，因此更换Embedding模型后需要删除向量相关库表，以便让LightRAG重建新的库表。
• Reranker模型配置：
  • 配置Reranker模型能够显著提升LightRAG的检索效果。
  • 启用Reranker模型后，推荐将“mix模式”设为默认查询模式。
  • 推荐选用主流的Reranker模型，例如：BAAI/bge-reranker-v2-m3 或 Jina 等服务商提供的模型。

使用LightRAG服务器

LightRAG 服务器旨在提供 Web UI 和 API 支持，同时提供了全面的知识图谱可视化功能，支持各种重力布局、节点查询、子图过滤等。有关LightRAG服务器的更多信息，请参阅LightRAG服务器。

使用LightRAG Core

LightRAG核心功能的示例代码请参见examples目录。您还可参照视频视频完成环境配置。若已持有OpenAI API密钥，可以通过以下命令运行演示代码：

### you should run the demo code with project folder
cd LightRAG
### provide your API-KEY for OpenAI
export OPENAI_API_KEY="sk-...your_opeai_key..."
### download the demo document of "A Christmas Carol" by Charles Dickens
curl https://raw.githubusercontent.com/gusye1234/nano-graphrag/main/tests/mock_data.txt > ./book.txt
### run the demo code
python examples/lightrag_openai_demo.py

如需流式响应示例的实现代码，请参阅 examples/lightrag_openai_compatible_demo.py。运行前，请确保根据需求修改示例代码中的LLM及嵌入模型配置。

注意1：在运行demo程序的时候需要注意，不同的测试程序可能使用的是不同的embedding模型，更换不同的embeding模型的时候需要把清空数据目录（./dickens），否则层序执行会出错。如果你想保留LLM缓存，可以在清除数据目录时保留kv_store_llm_response_cache.json文件。

注意2：官方支持的示例代码仅为 lightrag_openai_demo.py 和 lightrag_openai_compatible_demo.py 两个文件。其他示例文件均为社区贡献内容，尚未经过完整测试与优化。

使用LightRAG Core进行编程

完整的 Core API 参考 —— 包括初始化参数、QueryParam、各 LLM/Embedding 接入示例（OpenAI、Ollama、Azure、Gemini、HuggingFace、LlamaIndex）、Rerank 注入、插入操作、实体/关系管理、删除与合并 —— 详见 docs/ProgramingWithCore.md（英文）。

⚠️ 如果您希望将LightRAG集成到您的项目中，建议您使用LightRAG Server提供的REST API。LightRAG Core通常用于嵌入式应用，或供希望进行研究与评估的学者使用。

高级功能

LightRAG 提供 Token 用量追踪、知识图谱数据导出、LLM 缓存管理、Langfuse 可观测性集成和基于 RAGAS 的评估框架。详见 docs/AdvancedFeatures.md（英文）。

多模态文档处理

LightRAG Server 已内置多模态文档流水线，支持 PDF、Office 文档、图像、表格和公式。解析通过外置 MinerU 或 Docling 服务完成，多模态索引在 LightRAG 流水线内执行。详见 docs/AdvancedFeatures.md（英文）。

重现论文结果

LightRAG 在农业、计算机科学、法律和混合等领域均显著优于 NaiveRAG、RQ-RAG、HyDE 和 GraphRAG。完整评估方法论、提示词和复现步骤详见 docs/Reproduce.md（英文）。

总体性能表

	农业		计算机科学		法律		混合
	NaiveRAG	LightRAG	NaiveRAG	LightRAG	NaiveRAG	LightRAG	NaiveRAG	LightRAG
全面性	32.4%	67.6%	38.4%	61.6%	16.4%	83.6%	38.8%	61.2%
多样性	23.6%	76.4%	38.0%	62.0%	13.6%	86.4%	32.4%	67.6%
赋能性	32.4%	67.6%	38.8%	61.2%	16.4%	83.6%	42.8%	57.2%
总体	32.4%	67.6%	38.8%	61.2%	15.2%	84.8%	40.0%	60.0%
	RQ-RAG	LightRAG	RQ-RAG	LightRAG	RQ-RAG	LightRAG	RQ-RAG	LightRAG
全面性	31.6%	68.4%	38.8%	61.2%	15.2%	84.8%	39.2%	60.8%
多样性	29.2%	70.8%	39.2%	60.8%	11.6%	88.4%	30.8%	69.2%
赋能性	31.6%	68.4%	36.4%	63.6%	15.2%	84.8%	42.4%	57.6%
总体	32.4%	67.6%	38.0%	62.0%	14.4%	85.6%	40.0%	60.0%
	HyDE	LightRAG	HyDE	LightRAG	HyDE	LightRAG	HyDE	LightRAG
全面性	26.0%	74.0%	41.6%	58.4%	26.8%	73.2%	40.4%	59.6%
多样性	24.0%	76.0%	38.8%	61.2%	20.0%	80.0%	32.4%	67.6%
赋能性	25.2%	74.8%	40.8%	59.2%	26.0%	74.0%	46.0%	54.0%
总体	24.8%	75.2%	41.6%	58.4%	26.4%	73.6%	42.4%	57.6%
	GraphRAG	LightRAG	GraphRAG	LightRAG	GraphRAG	LightRAG	GraphRAG	LightRAG
全面性	45.6%	54.4%	48.4%	51.6%	48.4%	51.6%	50.4%	49.6%
多样性	22.8%	77.2%	40.8%	59.2%	26.4%	73.6%	36.0%	64.0%
赋能性	41.2%	58.8%	45.2%	54.8%	43.6%	56.4%	50.8%	49.2%
总体	45.2%	54.8%	48.0%	52.0%	47.2%	52.8%	50.4%	49.6%

🔗 相关项目

生态与扩展

📸 RAG-Anything 多模态 RAG

🎥 VideoRAG 极端长上下文视频 RAG

✨ MiniRAG 极简 RAG

---

⭐ Star 历史

🤝 贡献

我们欢迎各种形式的贡献——Bug 修复、新功能、文档改进等。
提交 Pull Request 前，请阅读 贡献指南。

我们感谢所有贡献者做出的宝贵贡献。

📖 引用

@article{guo2024lightrag,
title={LightRAG: Simple and Fast Retrieval-Augmented Generation},
author={Zirui Guo and Lianghao Xia and Yanhua Yu and Tu Ao and Chao Huang},
year={2024},
eprint={2410.05779},
archivePrefix={arXiv},
primaryClass={cs.IR}
}

---

⭐ 感谢您访问 LightRAG! ⭐