腾讯云开发者社区-腾讯云

开发者社区

文档建议反馈控制台

文章/答案/技术大牛

发布

综合排序丨最热优先丨最新优先

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。

2024-12-02

8.4K0

标签:

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-

霍格沃兹-测试开发学社

2025-08-29

2.6K0

标签:

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

云栈开源日记

2025-12-03

9940

标签:

向量数据库

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

霍格沃兹-测试开发学社

2025-08-28

1.3K0

标签:

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？

2026-03-13

1.5K0

标签:

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！

2025-11-15

1.1K0

标签:

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

2025-03-18

1.3K0

标签:

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。

2025-02-20

3.1K0

标签:

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

2025-02-20

1.9K0

标签:

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。

2026-03-17

1.3K0

标签: