ghcr.io/hkuds/lightrag:v1.5.0

🚀 LightRAG：简单快速的检索增强生成

🎉 新闻

• [2026.05]🎯[New Feature]: 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]🎯[New Feature]: 引入四种可选文本分块策略：Fix、Recursive、Vector 和 Paragraph。
• [2026.05]🎯[New Feature]: 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]🎯[New Feature]: 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]🎯[New Feature]: 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]🎯[New Feature]: 集成 RAGAS 用于评估和 Langfuse 用于追踪。更新 API 以在返回查询结果时附带检索到的上下文，支持上下文精确率指标。
• [2025.10]🎯[Scalability Enhancement]: 消除处理瓶颈，以高效支持大规模数据集。
• [2025.09]🎯[New Feature] 提升开源 LLM（如 Qwen3-30B-A3B）的知识图谱提取准确性。
• [2025.08]🎯[New Feature] 现已支持重排序器（Reranker），显著提升混合查询的性能（设为默认查询模式）。
• [2025.08]🎯[New Feature] 新增文档删除功能，配合自动知识图谱（KG）再生，确保最佳查询性能。
• [2025.06]🎯[New Release] 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%81 RAG** 系统，可无缝处理文本、图像、表格和公式。
• [2025.06]🎯[New Feature] LightRAG 现在通过 https://github.com/HKUDS/RAG-Anything 集成支持全面的多模态数据处理，实现跨多种格式（包括 PDF、图像、Office 文档、表格和公式）的无缝文档解析和 RAG 能力。详情请参阅新的 https://github.com/HKUDS/LightRAG/?tab=readme-ov-file#multimodal-document-processing-rag-anything-integration%E3%80%82
• [2025.03]🎯[New Feature] LightRAG 现已支持引用功能，实现适当的来源归因和增强的文档可追溯性。
• [2025.02]🎯[New Feature] 现在可将 MongoDB 用作一体化存储解决方案，实现统一数据管理。
• [2025.02]🎯[New Release] 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%84 RAG 系统。
• [2025.01]🎯[New Release] 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%96 RAG 应用。
• [2025.01]🎯现在可将 PostgreSQL 用作一体化存储解决方案进行数据管理。
• [2024.11]🎯[New Resource] 全面的 LightRAG 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]🎯[New Feature] 推出 LightRAG WebUI——一个直观的基于 Web 的仪表板界面，允许你插入、查询和可视化 LightRAG 知识。
• [2024.11]🎯[New Feature] 现在可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]🎯[New Feature] 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]🎯[New Channel] 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] 你也可以根据偏好使用 pip，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

• 从 PyPI 安装

### 使用 uv 将 LightRAG Server 作为工具安装（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]"

### 构建前端产物
 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检出中复制获取 env.example 文件
 cp env.example .env # 更新 .env 文件中的 LLM 和嵌入配置
 # 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、存储后端和提供程序集成），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]"

 # 构建前端产物
 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 # 更新 .env 文件中的 LLM 和嵌入配置
 # 修改 .env 中的 LLM 和嵌入设置
 docker compose up

LightRAG Docker 镜像的历史版本可在此处找到： https://github.com/HKUDS/LightRAG/pkgs/container/lightrag

GitHub Actions 发布的官方 GHCR 镜像使用 GitHub OIDC 通过 Sigstore Cosign 进行签名。有关验证命令，请参阅 docs/DockerDeployment.md。

使用设置工具创建 .env 文件

关于 LightRAG

轻量级、基于图的 RAG 框架

LightRAG 是一个轻量级检索增强生成（RAG）框架，专为分析***、和等领域的复杂文档而设计。它是 Microsoft GraphRAG 的高效替代方案。通过采用双层架构同时管理知识图谱（KG）和向量嵌入，LightRAG 完美弥合了传统基于向量的 RAG 与基于图的 RAG 之间的技术鸿沟。此外，它有效解决了 GraphRAG 在处理大规模数据时的主要瓶颈，如计算开销大、响应速度慢以及增量更新成本过高。该系统以高可扩展性为核心设计，支持海量数据集，同时保持卓越的信息提取准确性——即使在由 30B（300 亿参数）开源大型语言模型（LLM）驱动时也是如此。

特性与优势

• 深度上下文理解：通过图结构索引，LightRAG 捕获实体间复杂的语义依赖关系，克服了传统基于块的检索方法中典型的上下文碎片化限制。在需要全局理解或逻辑推理的垂直领域（如***、***），其生成质量和上下文感知能力尤为突出。
• 卓越的全面性与多样性：LightRAG 的双层检索机制允许同时整合详细事实和抽象概念。这使系统在查询结果的全面性和多样性方面表现卓越，非常适合处理复杂的跨文档查询。
• 极致的检索效率与低成本：LightRAG 不依赖低效的社区报告或多跳推理来处理复杂查询。这大幅减少了索引和查询阶段所需的 LLM 调用次数，显著降低了响应延迟和 LLM 计算成本。
• 快速适应动态数据：LightRAG 支持无缝的增量知识库更新。新数据只需通过标准图索引 pipeline 生成局部图，然后通过集合合并直接整合到现有图中。此过程无需破坏原始结构或重建全局索引，确保在动态数据环境中的实时相关性。删除文档时，系统利用构建阶段的 LLM 缓存快速重建受影响的实体关系，极大提高了知识库更新效率。

多模态能力升级

从 v1.5 版本开始，LightRAG 正式引入了多模态文档的分析和检索能力：

• 多引擎文档解析：其文档处理 pipeline 支持 MinerU、Docling 和 Native 等解析引擎，能够高效提取文档中的文本、表格、公式和图像。
• 跨模态实体与关系映射：在统一框架内实现跨模态实体提取和关系映射，实现无缝索引和查询。
• 增强的应用场景：全新的多模态处理 pipeline 显著提升了富含多模态内容的文档（如操作手册和学术论文）的 RAG 质量。

LightRAG API 服务器

LightRAG 服务器不仅提供基于 Web 的 UI 用于探索 LightRAG 功能，还提供全面的 REST API。有关 LightRAG 服务器的更多信息，请参阅 LightRAG Server。

文件处理的并发优化

对于大规模文档处理，需要提高并发性。与文件并发处理相关的关键环境变量包括：

• MAX_ASYNC_LLM/EXTRACT_ASYNC_LLM：控制LLM模型的最大并发数。
• MAX_PARALLEL_INSERT：控制并行处理的最大文件数量。单个文件内的文本、表格、公式和图像处理也会并发进行。MAX_PARALLEL_INSERT 理想情况下应设置为 MAX_ASYNC_LLM 的约 1/3。
• MAX_PARALLEL_PARSE_MINERU：控制 MinerU 解析的并行文件数量。
• MAX_PARALLEL_PARSE_DOCLING：控制 Docling 解析的并行文件数量。
• EMBEDDING_FUNC_MAX_ASYNC：控制嵌入模型的最大并发数。
• EMBEDDING_BATCH_NUM：控制每个嵌入模型请求中包含的文本数量（每批嵌入数）。增加此数值可显著减少对嵌入模型的 API 调用次数，并加快嵌入存储中的数据持久化速度。

# 示例配置
MAX_ASYNC_LLM=8
MAX_PARALLEL_INSERT=3
EMBEDDING_FUNC_MAX_ASYNC=16
EMBEDDING_BATCH_NUM=32

选择后端存储

LightRAG 需要四种类型的后端存储：

• KV_STORAGE：用于保存 LLM 响应缓存、文本分块结果、实体关系提取结果等。
• VECTOR_STORAGE：用于存储文本块、实体和关系的向量信息。
• GRAPH_STORAGE：用于保存知识图谱。
• DOC_STATUS_STORAGE：用于存储文档列表。

默认情况下，LightRAG 的存储后端是文件持久化的内存数据库。这些默认存储仅用于开发和调试，不适合生产环境。在生产环境中，如果希望使用单一后端处理所有四种存储类型，可选择 PostgreSQL、MongoDB 或 OpenSearch。或者，也可以为向量或图存储选择专用数据库，例如使用 Milvus 或 Qdrant 作为向量存储，使用 Neo4j 或 Memgraph 作为图存储。

🔗 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

⭐ 星标历史

🤝 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！
⭐