当前位置：首页 > news >正文

港大开源！轻量RAG框架 LightRAG，上线一周冲上GitHub趋势榜

news 2026/3/27 3:54:23

今天又来分享一个优秀的开源项目，它是香港大学团队开发的一种轻量级、高效的RAG系统
刚刚上线就登上GitHub热榜的RAG框架LightRAG

LightRAG通过引入图结构和增量更新算法，大幅降低了计算开销，提高了系统在实时数据更新和复杂推理场景中的应用效能

LightRAG检索和查询流程图

LightRAG索引流程图

该项目提供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，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

•语言： Python
•项目地址：https://github.com/HKUDS/LightRAG

技术亮点

1. 图谱级知识关联能力
  构建“知识节点+语义关系”网络，让回答从简单匹配升级为上下文推理
1. 轻量化易部署
  无需复杂依赖，几条命令就能配好环境，个人和小团队也能轻松使用并部署
1. 顶会论文背书的技术
  源于EMNLP前沿研究，理论深度和工程落地能兼顾
1. 多模态扩展空间大
  架构预留接口，文本、图像、视频等多类知识都能后续接入
1. 能无缝嵌入现有系统
  OpenAI、Claude、Gemini等主流LLM都能轻松集成

快速上手，极速体验

1. 安装

# 推荐方式：通过 PyPI 安装pip install "lightrag-hku[api]"# 如果你想浏览源码、调试修改：从源码安装git clone https://github.com/HKUDS/LightRAG.gitcd LightRAGpip install -e ".[api]"

这里.[api]是为了同时安装 LightRAG 的 API / Web UI 部分

2. 配置环境（.env & 模型绑定）

LightRAG 在启动时依赖一系列环境变量，用于绑定LLM（语言模型）与Embedding（向量模型）。
官方提供了一个env.example文件作为模板，你只需要复制一份改名为.env，然后根据自己的环境修改即可。

•语言模型配置：包括模型类型（例如 OpenAI、Ollama）、模型名称（如gpt-4o、mistral-nemo:latest）、API 地址和密钥。
例如：```plaintext
LLM_BINDING=openaiLLM_MODEL=gpt-4oLLM_BINDING_API_KEY=你的API_KEY
•嵌入模型配置：指定嵌入引擎（如ollama或openai）、模型名称（例如bge-m3:latest），以及其主机地址和维度。
例如：```plaintext
EMBEDDING_BINDING=ollamaEMBEDDING_MODEL=bge-m3:latestEMBEDDING_BINDING_HOST=http://localhost:11434EMBEDDING_DIM=1024
•其他控制参数：可选项包括最大 token 限制 (MAX_TOKENS)、请求超时 (TIMEOUT) 等。```plaintext
MAX_TOKENS=4096TIMEOUT=150
• 修改.env后，建议重新打开终端 / 重启服务，以确保新的环境变量生效。
•.env放在启动目录下是官方设计意图：可以让多个 LightRAG 实例在不同目录下启动、用不同配置运行。
• 如果同时配置了系统环境变量和.env，LightRAG 启动时优先读取系统环境变量。

3. 启动服务（Web + API 支持）

LightRAG 提供几种运行方式，既适合本地开发，也支持生产环境多进程部署。

# 最简方式（开发 / 测试环境）lightrag-server# 生产 / 多进程部署（不支持 Windows 环境）lightrag-gunicorn --workers 4

启动时，还可以带入以下可选参数：

•--host：监听地址（默认为0.0.0.0）
•--port：监听端口（默认9621）
•--timeout：LLM 请求超时时间（默认 150 秒）
•--log-level：日志级别（默认为 INFO）
•--input-dir：文档索引目录（默认./inputs）

LightRAG 启动后，会自动在当前目录下创建inputs（文档输入目录）和rag_storage（存储索引 / 模型 / 数据）两个目录。这样多个实例启动时可以对应不同文件夹。

4. 文档索引 & 知识库构建

启动服务后，可以通过 Web UI 或者 API 为知识库添加文档 / 索引文档：

• 在 Web UI 上完成文档上传 / 批量导入
• 后台会自动对文档做切分 / 嵌入 / 图谱构建
• 支持增量更新：无需重建整个库，就能合并新文档
• 支持多种文档格式：如 PDF、Word、Markdown 等（官方在 v1.1.2 版本中加强了多格式文档处理能力）

在 v1.2.8 版本中，官方还优化了文档扫描 / 并行处理逻辑，使大批量文档索引速度有显著提升。

5. 查询 / RAG 问答体验

完成索引之后，就可以通过以下方式进行问答 / 检索：

• 在 Web UI 中直接输入用户问题，系统会返回答案 + 支持来源
• 通过 API 接口调用，向/query或类似 endpoint 发送问题
• 支持多种检索缓存策略：如naive、local、global、hybrid、mix等混合模式
• 部分示例代码中支持流式响应/ 模型兼容接口（如 OpenAI 兼容路径）

LightRAG 还内置知识图谱可视化模块，可在 UI 上看到节点、子图、关系等结构信息，点击图谱节点就可以显示具体的节点信息

项目还提供lightrag_visualizer工具可以用于 3D 图谱展示

6. 官方示例

项目自带多个示例脚本可供参考：

•examples/lightrag_openai_demo.py：使用 OpenAI 的接口进行 RAG 演示
•examples/lightrag_api_openai_compatible_demo.py：兼容 OpenAI API 风格的 demo，支持流式、缓存策略演示等
•examples/graph_visual_with_html.py/graph_visual_with_neo4j.py：图谱可视化方案示例（HTML / Neo4j 方式）

如果使用本地模型部署（非云 API），也可以先启动模型服务（如 FastChat / vLLM / Ollama），然后让 LightRAG 通过 HTTP 接口调用

7. 踩坑注意

•.env / 配置变更后重启：LightRAG 每次启动都会从.env加载配置，修改后请重新打开终端或者重启服务，不然不会生效
•文档体量大时并行处理：官方在新版本中优化了并行扫描和索引逻辑，所以在大体量的文档处理的时候要设置并行处理，用以减少锁竞争、提高 CPU 利用率
•实例隔离：如果你要启动多个实例（不同端口 / 配置），建议为每个实例使用不同的.env和工作目录，以避免路径冲突
•模型资源匹配：如果调用的是大型本地模型，请确保系统有足够的显存，这是个隐形的小坑，会导致因为模型过大无法启动

同类框架对比，为什么选择它？

框架名称	核心优势	适用场景	活跃度
LightRAG	图谱化RAG，轻量高效	快速知识问答、AI助手	⭐⭐⭐⭐
LangChain	模块生态庞大	通用智能体开发	⭐⭐⭐⭐
Haystack	可视化与企业级集成支持	企业搜索系统	⭐⭐⭐
DSPy	程序化RAG策略	学术研究	⭐⭐