LightRAG

轻量级 RAG 框架，用知识图谱让问答更准更快

LightRAG 是一个面向检索增强生成（RAG）场景的轻量级开源框架，旨在解决传统 RAG 系统在知识图谱构建和检索效率上的痛点。它通过将知识图谱与向量检索相结合，以图结构索引和检索信息，显著提升回答的准确性和上下文相关性。核心能力包括：支持多种大语言模型（如 GPT-4）和嵌入模型，提供简单易用的 API 接口，能快速从文档中构建知识图谱并支持增量更新，同时具备高效的图检索算法，可处理大规模数据。LightRAG 特别适合需要复杂关系推理和实时知识更新的应用，如企业知识库问答、研究辅助和智能助手，其设计强调简单性和速度，降低了 RAG 系统的落地门槛。

开源 free 搜索知识

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 39813

维护状态活跃

是否开源是

定价模式 free

项目数据

分类搜索知识

开发团队HKUDS

所属国家

官网地址

GitHubhttps://github.com/HKUDS/LightRAG

定价模式free

价格说明开源项目，MIT许可证，完全免费，可自行部署使用。

访问状态

是否开源是

开源协议MIT

主要语言Python

技术栈/模型docling,genai,gpt,graphrag,knowledge-graph,large-language-models,llm,mineru,rag,ragas,retrieval-augmented-generation

GitHub 星标★ 39813

30天Star增速

HF 下载量

上线时间2024-10-02 00:00:00

最近更新2026-09-22 00:00:00

维护状态活跃

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-09

浏览次数1

使用教程

难度：入门约 10 分钟部署方式：本地安装 7 步

环境要求

Python 环境，推荐用 uv 管理依赖（也可用 pip）
需要可用的 LLM 与 embedding 模型及其 API 配置
使用 make env-base 生成配置时需系统提供 make 命令
Debian/Ubuntu 处理含 SVG 文档时需 libcairo2，Windows 需 GTK3 运行时

安装与启动步骤

1安装 uv 包管理器

官方推荐用 uv 管理依赖。Unix/macOS 用 curl 脚本，Windows 用 PowerShell 命令。
```
curl -LsSf https://astral.sh/uv/install.sh | sh
```
2安装 LightRAG 服务端

以工具方式安装带 api 附加依赖的 lightrag-hku，也可改用 pip 安装。
```
uv tool install "lightrag-hku[api]"
```
3生成 .env 配置

用交互式向导生成已配置的 .env，必做的是 LLM、embedding、reranker 三项。
```
make env-base
```
4安装 LightRAG SDK

只想作为 Python 库调用时安装 lightrag-hku 即可，无需服务端依赖。
```
uv pip install lightrag-hku
```
5从源码安装（可选）

需要改代码或跑示例时克隆仓库并在项目目录内以可编辑模式安装。
```
git clone https://github.com/HKUDS/LightRAG.git
cd LightRAG
pip install -e .
```
6安装系统依赖（可选）

处理含内嵌 SVG 的文档时才需要，官方 Docker 镜像已内置该库。
```
sudo apt-get install -y libcairo2
```
7运行示例程序

必须进入项目目录再执行，运行前先按需修改示例中的 LLM 与 embedding 配置。
```
cd LightRAG
python examples/lightrag_openai_demo.py
```

关键配置

配置项	必填	说明	示例
`LIGHTRAG_PARSER`	否	指定文档解析引擎流水线，默认配置无法发挥最佳效果	`:native-iteP,:mineru-iteP,*:legacy-R`
`VLM_PROCESS_ENABLE`	否	开启流水线的图像分析能力，提升解析质量	`true`
`VLM_LLM_MODEL`	否	开启图像分析后指定所用的视觉语言模型名称
`MAX_ASYNC_LLM`	否	控制 LLM 调用的最大并发数	`8`
`SUMMARY_LANGUAGE`	否	控制实体关系名称与摘要的输出语言	`Chinese`
`ENABLE_LLM_CACHE`	否	是否缓存查询结果，相同问题与参数返回同一结果	`true`

如何确认成功

执行 make env-base 能成功生成 .env，运行示例脚本后正常输出问答结果并生成数据目录即成功。

常见问题

Q：可以用 pip 代替 uv 安装吗？

A：可以，README 给出 pip install "lightrag-hku[api]" 和 pip install lightrag-hku，但官方推荐 uv，性能和依赖管理更可靠。

Q：切换 embedding 模型后报错怎么办？

A：必须清空数据目录 ./dickens，否则会报错；若想保留 LLM 缓存，可只保留 kv_store_llm_response_cache.json 文件。

Q：哪些示例代码是官方支持的？

A：仅 lightrag_openai_demo.py 和 lightrag_openai_compatible_demo.py 经过充分测试，其他示例为社区贡献。

Q：离线或内网环境怎么部署？

A：参考仓库 docs/OfflineDeployment.md，其中说明如何预装全部依赖与缓存文件。

Q：云上的 MinerU 服务有什么限制？

A：云服务在使用量、文件大小和页数上有限制，建议本地部署 MinerU，详见 docs/FileProcessingPipeline.md。

注意事项

运行示例程序前，务必先按你的环境修改示例代码中的 LLM 与 embedding 配置。
运行 demo 前需先通过 make env-base 或 cp env.example .env 准备好 .env 文件。
启动时若出现与 SVG 相关的警告，不处理含内嵌 SVG 的 markdown/textpack 文档的部署可以忽略。
服务端口、认证与 SSL 通过可选的 make env-server 向导配置，不在必做步骤内。

核心亮点

结合知识图谱与向量检索，回答复杂关系问题更准确
支持增量更新知识图谱，适合动态数据场景
API 设计简洁，几行代码即可集成到现有 LLM 应用

不足之处

知识图谱构建和存储可能增加额外资源消耗
文档/社区待观察

适用场景

企业知识库智能问答，快速检索内部文档
研究辅助，帮助学者梳理论文间引用和关系
智能客服，提供基于多源信息的精准回复

替代项目

GraphRAG、LlamaIndex、Haystack

项目介绍

LightRAG 是搜索知识领域的开源项目，由 HKUDS 开发，2024 年首次发布。

在全站 13,014 个收录项目中，它的 GitHub 星标数（39,813）位列前 1%，在搜索知识分类的 581 个项目里位列前 1%。

近 44 天，它的 GitHub 星标从 38,685 增加到 39,813，净增 1,128。

项目目前处于活跃维护状态，最近一次代码更新于 2026-09-22。MIT许可证，完全免费，可自行部署使用。

它主要面向的使用场景是：企业知识库智能问答，快速检索内部文档。同类可对比的替代方案包括 GraphRAG、LlamaIndex、Haystack。

上一篇：OpenDocuments

下一篇：graphrag