🚀 LightRAG: 简单快速的检索增强生成

🎉 新闻

• [2026.05]🎯[新功能]: 将RagAnything合并至LightRAG🎉。通过MinerU / Docling服务实现多模态内容解析与提取。
• [2026.05]🎯[新功能]: 引入四种可选文本分块策略：Fix、Recursive、Vector和Paragraph。
• [2026.05]🎯[新功能]: 支持角色特定LLM配置，4种 distinct 角色：EXTRACT、QUERY、KEYWORDS和VLM，具备独立LLM设置。
• [2026.03]🎯[新功能]: 集成OpenSearch作为统一存储后端，全面支持LightRAG的所有四种存储类型。
• [2026.03]🎯[新功能]: 引入设置向导。支持通过Docker本地部署嵌入、重排序和存储后端。
• [2025.11]🎯[新功能]: 集成RAGAS用于评估和Langfuse用于追踪。更新API以在查询结果中返回检索到的上下文，支持上下文精确率指标。
• [2025.10]🎯[可扩展性增强]: 消除处理瓶颈，以高效支持大规模数据集。
• [2025.09]🎯[新功能] 提升开源LLM（如Qwen3-30B-A3B）的知识图谱提取准确性。
• [2025.08]🎯[新功能] 现已支持重排序器，显著提升混合查询的性能（设为默认查询模式）。
• [2025.08]🎯[新功能] 添加文档删除功能，自动重新生成知识图谱以确保最佳查询性能。
• [2025.06]🎯[新版本发布] 我们团队发布了https://github.com/HKUDS/RAG-Anything%E2%80%94%E2%80%94%E4%B8%80%E4%B8%AA**%E4%B8%80%E4%BD%93%E5%8C%96%E5%A4%9A%E6%A8%A1%E6%80%81RAG**%E7%B3%BB%E7%BB%9F%EF%BC%8C%E7%94%A8%E4%BA%8E%E6%97%A0%E7%BC%9D%E5%A4%84%E7%90%86%E6%96%87%E6%9C%AC%E3%80%81%E5%9B%BE%E5%83%8F%E3%80%81%E8%A1%A8%E6%A0%BC%E5%92%8C%E5%85%AC%E5%BC%8F%E3%80%82
• [2025.06]🎯[新功能] LightRAG现在通过https://github.com/HKUDS/RAG-Anything%E9%9B%86%E6%88%90%E6%94%AF%E6%8C%81%E5%85%A8%E9%9D%A2%E7%9A%84%E5%A4%9A%E6%A8%A1%E6%80%81%E6%95%B0%E6%8D%AE%E5%A4%84%E7%90%86%EF%BC%8C%E5%AE%9E%E7%8E%B0%E8%B7%A8%E5%A4%9A%E7%A7%8D%E6%A0%BC%E5%BC%8F%EF%BC%88%E5%8C%85%E6%8B%ACPDF%E3%80%81%E5%9B%BE%E5%83%8F%E3%80%81Office%E6%96%87%E6%A1%A3%E3%80%81%E8%A1%A8%E6%A0%BC%E5%92%8C%E5%85%AC%E5%BC%8F%EF%BC%89%E7%9A%84%E6%97%A0%E7%BC%9D%E6%96%87%E6%A1%A3%E8%A7%A3%E6%9E%90%E5%92%8CRAG%E5%8A%9F%E8%83%BD%E3%80%82%E8%AF%A6%E6%83%85%E8%AF%B7%E5%8F%82%E9%98%85%E6%96%B0%E7%9A%84https://github.com/HKUDS/LightRAG/?tab=readme-ov-file#multimodal-document-processing-rag-anything-integration%E3%80%82
• [2025.03]🎯[新功能] LightRAG现在支持引用功能，实现适当的来源归因和增强的文档可追溯性。
• [2025.02]🎯[新功能] 现在可以使用MongoDB作为一体化存储解决方案，实现统一数据管理。
• [2025.02]🎯[新版本发布] 我们团队发布了https://github.com/HKUDS/VideoRAG%E2%80%94%E2%80%94%E4%B8%80%E4%B8%AA%E7%94%A8%E4%BA%8E%E7%90%86%E8%A7%A3%E8%B6%85%E9%95%BF%E4%B8%8A%E4%B8%8B%E6%96%87%E8%A7%86%E9%A2%91%E7%9A%84RAG%E7%B3%BB%E7%BB%9F%E3%80%82
• [2025.01]🎯[新版本发布] 我们团队发布了https://github.com/HKUDS/MiniRAG%EF%BC%8C%E9%80%9A%E8%BF%87%E5%B0%8F%E5%9E%8B%E6%A8%A1%E5%9E%8B%E7%AE%80%E5%8C%96RAG%E3%80%82
• [2025.01]🎯现在可以使用PostgreSQL作为一体化存储解决方案进行数据管理。
• [2024.11]🎯[新资源] LightRAG综合指南现已在LearnOpenCV上线——探索深入教程和最佳实践。非常感谢博客作者的杰出贡献！
• [2024.11]🎯[新功能] 引入LightRAG WebUI——一个允许通过直观的基于Web的仪表板插入、查询和可视化LightRAG知识的界面。
• [2024.11]🎯[新功能] 现在可以https://github.com/HKUDS/LightRAG?tab=readme-ov-file#using-neo4j-for-storage%E2%80%94%E2%80%94%E6%94%AF%E6%8C%81%E5%9B%BE%E6%95%B0%E6%8D%AE%E5%BA%93%E3%80%82
• [2024.10]🎯[新功能] 我们添加了LightRAG介绍视频的链接——LightRAG功能演示。感谢作者的杰出贡献！
• [2024.10]🎯[新渠道] 我们创建了***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 - 图片说明：来源
图2：LightRAG检索与查询流程图 - 图片说明：来源

安装

[!NOTE] 您也可以使用pip（如果偏好），但推荐使用uv以获得更好的性能和更可靠的依赖管理。

📦 离线部署：对于离线或隔离环境，请参阅离线部署指南以获取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界面和API支持。Web界面便于文档索引、知识图谱探索和简单的RAG查询界面。LightRAG服务器还提供Ollama兼容接口，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 Server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]"

### 构建前端资源
cd lightrag_webui
bun install --frozen-lockfile
bun run build
cd ..

# 设置环境文件
# 通过从GitHub仓库根目录下载或从本地源码副本复制获取env.example文件。
cp env.example .env # 使用您的LLM和嵌入配置更新.env文件
# 启动服务器
lightrag-server

• 从源码安装

git clone https://github.com/HKUDS/LightRAG.git
cd LightRAG

# 引导开发环境（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栈（API、存储后端和提供商集成），然后构建前端。
# 启动服务器前运行make env-base或复制env.example到.env。

# 使用uv的等效手动步骤
# 注意：uv sync会在.venv/中自动创建虚拟环境
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与虚拟环境
# python -m venv .venv
# source .venv/bin/activate # Windows：.venv\Scripts\activate
# pip install -e ".[test,offline]"

# 构建前端资源
cd lightrag_webui
bun install --frozen-lockfile
bun run build
cd ..

# 设置环境文件
make env-base # 或：cp env.example .env并手动更新
# 启动API-WebUI服务器
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 # 使用您的LLM和嵌入配置更新.env文件
# 在.env中修改LLM和嵌入设置
docker compose up

使用设置工具创建 .env 文件

无需手动编辑 env.example，可使用交互式设置向导生成已配置的 .env 文件，必要时还会生成 docker-compose.final.yml：

make env-base # 必要的第一步：LLM、embedding、reranker
make env-storage # 可选：存储后端和数据库服务
make env-server # 可选：服务器端口、认证和 SSL
make env-base-rewrite # 可选：强制重新生成向导管理的 compose 服务
make env-storage-rewrite # 可选：强制重新生成向导管理的 compose 服务
make env-security-check # 可选：审计当前 .env 的安全风险

有关每个目标的完整说明，请参见 docs/InteractiveSetup.md。设置向导仅更新配置；部署前需单独运行 make env-security-check 以审计当前 .env 文件的安全风险。默认情况下，重新运行设置会保留未更改的向导管理的 compose 服务块；仅当需要从捆绑模板重新构建这些管理块时，才使用 *-rewrite 目标。

安装 LightRAG Core

• 从源码安装（推荐）

cd LightRAG
# 注意：uv sync 会在 .venv/ 中自动创建虚拟环境
uv sync
source .venv/bin/activate # 激活虚拟环境（Linux/macOS）
# Windows 系统：.venv\Scripts\activate

# 或者：pip install -e .

• 从 PyPI 安装

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

快速开始

LightRAG 的 LLM 和技术栈要求

LightRAG 对大型语言模型（LLM）能力的要求显著高于传统 RAG，因为它需要 LLM 从文档中执行实体关系提取任务。配置合适的 Embedding 和 Reranker 模型对于提升查询性能也至关重要。

• LLM 选择：
  • 建议使用参数至少为 320 亿的 LLM。
  • 上下文长度至少应为 32KB，推荐 64KB。
  • 文档索引阶段不建议选择推理模型。
  • 查询阶段建议选择能力强于索引阶段所用模型的模型，以获得更好的查询结果。
• Embedding 模型：
  • 高性能的 Embedding 模型是 RAG 的核心。
  • 建议使用主流多语言 Embedding 模型，例如：BAAI/bge-m3 和 text-embedding-3-large。

[!IMPORTANT] Embedding 模型必须在文档索引前确定，且文档查询阶段必须使用相同模型。对于某些存储解决方案（如 PostgreSQL），向量维度必须在初始表创建时定义。因此，更换 Embedding 模型时，需删除现有向量相关表，让 LightRAG 使用新维度重新创建。

• Reranker 模型配置：
  • 配置 Reranker 模型可显著提升 LightRAG 的检索性能。
  • 启用 Reranker 模型时，建议将“混合模式”设为默认查询模式。
  • 建议使用主流 Reranker 模型，例如：BAAI/bge-reranker-v2-m3 或 Jina 等服务提供的模型。

LightRAG Server 快速开始

LightRAG Server 旨在提供 Web UI 和 API 支持。它具备全面的知识图谱可视化功能，支持多种引力布局、节点查询、子图过滤等。有关 LightRAG Server 的更多信息，请参见 LightRAG Server。

LightRAG core 快速开始

要开始使用 LightRAG core，请参考 examples 文件夹中的示例代码。此外，还提供了 视频演示 指导本地设置过程。如果您已有 OpenAI API 密钥，可立即运行演示：

### 需在项目文件夹中运行演示代码
cd LightRAG
### 提供您的 OpenAI API 密钥
export OPENAI_API_KEY="sk-...your_opeai_key..."
### 下载查尔斯·狄更斯的《圣诞颂歌》演示文档
curl https://raw.githubusercontent.com/gusye1234/nano-graphrag/main/tests/mock_data.txt
> ./book.txt
### 运行演示代码
python examples/lightrag_openai_demo.py

有关流式响应实现示例，请参见 examples/lightrag_openai_compatible_demo.py。执行前，请确保相应修改示例代码中的 LLM 和 Embedding 配置。

[!NOTE] 注意 1：运行演示程序时，请注意不同测试脚本可能使用不同的 Embedding 模型。如果切换到不同的 Embedding 模型，必须清除数据目录（./dickens）；否则程序可能会出错。如果希望保留 LLM 缓存，可在清除数据目录时保留 kv_store_llm_response_cache.json 文件。

[!NOTE] 注意 2：仅 lightrag_openai_demo.py 和 lightrag_openai_compatible_demo.py 是官方支持的示例代码。其他示例文件为社区贡献，未经全面测试和优化。

使用 LightRAG Core 编程

完整的 Core API 参考（包括初始化参数、QueryParam、LLM/Embedding 提供商示例（OpenAI、Ollama、Azure、Gemini、HuggingFace、LlamaIndex）、Reranker 注入、插入操作、实体/关系管理以及删除/合并），请参见 docs/ProgramingWithCore.md。

[!IMPORTANT] 如果您想将 LightRAG 集成到项目中，建议使用 LightRAG Server 提供的 REST API。LightRAG Core 通常用于嵌入式应用或希望进行研究和评估的研究人员。

高级功能

LightRAG 提供额外功能，包括令牌使用跟踪、知识图谱数据导出、LLM 缓存管理、Langfuse 可观测性集成以及基于 RAGAS 的评估。详见 docs/AdvancedFeatures.md。

多模态文档处理

LightRAG Server 包含多模态文档处理流水线，支持 PDF、Office 文档、图像、表格和公式。解析通过外部 MinerU 或 Docling 服务处理，而多模态索引在 LightRAG 流水线中运行。设置详情请参见 docs/AdvancedFeatures.md。

复现论文中的研究结果

LightRAG在农业、计算机科学、***和混合领域中始终优于NaiveRAG、RQ-RAG、HyDE和GraphRAG。有关完整的评估方法、提示词和复现步骤，请参见 docs/Reproduce.md。

整体性能表

🔗 相关项目

生态系统与扩展

📸

RAG-Anything
多模态RAG

🎥

VideoRAG
超长上下文视频RAG

✨

MiniRAG
极简RAG

---

⭐ 星级历史

🤝 贡献

我们欢迎各种形式的贡献——错误修复、新功能、文档改进等。提交拉取请求前，请阅读我们的《贡献指南》。

感谢所有贡献者的宝贵贡献。

📖 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}
}

---

⭐
感谢您关注LightRAG！
⭐