港大数据智能实验室的图谱 RAG 框架（EMNLP 2025）：抽取实体与关系建图，混合“图检索+向量检索”，擅长普通向量 RAG 答不好的跨文档、多跳、关系型问题（如“A 项目的供应商和 B 项目有什么关联”）。pip 安装、代码接入型，不是低代码平台。

适用场景：研报/尽调/企业关系网络等需要跨文档推理的问答；普通 RAG 已上线但复杂问题答不好时的升级路线

LightRAG 知识图谱 GraphRAG 多跳问答 Python

操作步骤

  1. pip install raganything 之外的主线：按仓库 README 安装 LightRAG 并选存储后端（文件/PostgreSQL 等）
  2. 先定 Embedding 模型再入库（官方明确：选定后不可更换，换了要删向量表全量重嵌）
  3. 灌入文档，框架自动抽实体/关系建图并向量化
  4. 查询选模式（naive/local/global/mix 等），复杂问题优先 mix；需要更高精度时开启 rerank（官方推荐 bge-reranker-v2-m3，代价是约 1–2 秒延迟）
接入本站 API：LightRAG 的 LLM 与 Embedding 都走可配置的 OpenAI 兼容调用：在初始化时把 LLM 的 base_url 指向 https://tokenbuddy.cc、api_key 填 LIN 的 Key、模型名填准确 ID（Embedding 若 LIN 提供兼容接口可同法接入，否则本地部署 bge-m3 并保持入库/查询同一模型）。图抽取阶段会大量调用 LLM，先用小批文档估算 token 成本再全量灌库。

注意事项

  • ⚠️ 入库后换 Embedding 模型 = 全量重建，没有官方一键 re-embedding 工具（官方文档明示）
  • ⚠️ 图构建阶段 LLM 调用量远超普通 RAG，小语料先试跑算成本
  • ⚠️ 简单 FAQ 场景上 LightRAG 是杀鸡用牛刀：构建慢、维护重，FAQ 仍首选普通向量 RAG

来源：https://github.com/HKUDS/LightRAG