阅读要点
先读这里，快速了解全文在讲什么
核心结论
做 RAG 的人大多踩过同一个坑：文档一多，检索要么召回不准，要么把大段原文硬塞进上下文，Token 烧得心疼。LightRAG 想解决的就是这件事——它把知识图谱的思路压进一套轻量实现里，让你用一台普通机器也能跑出「有关系、有层次」的检索效果。做企业知识库、文档问答、Agent 记忆层的开发者，值得点开看一眼。核心看点图结构与向量双路检索：既做实体关系抽取，也保留向量召回，问「谁和谁有关系」这类问题不再靠运气。增量更新：新文档进来可以…
你可以了解到
阅读后可获得与「LightRAG：把知识图谱塞进 RAG，检索又快又省 Token」相关的实用信息与站内延伸资源；最后更新 2026年9月16日。
延伸阅读
做 RAG 的人大多踩过同一个坑：文档一多，检索要么召回不准，要么把大段原文硬塞进上下文，Token 烧得心疼。LightRAG 想解决的就是这件事——它把知识图谱的思路压进一套轻量实现里，让你用一台普通机器也能跑出「有关系、有层次」的检索效果。做企业知识库、文档问答、Agent 记忆层的开发者，值得点开看一眼。
核心看点
图结构与向量双路检索：既做实体关系抽取，也保留向量召回，问「谁和谁有关系」这类问题不再靠运气。增量更新：新文档进来可以只补增量，不必整库重建索引，日常维护成本低。接入门槛低：官方提供 Python SDK 与 API Server，能挂 Ollama 或 OpenAI 兼容接口，存储层可接 Neo4j、PostgreSQL 等，还配了 Web UI 方便先试手感。
上手提示
最省事的路径是先 pip 安装，指向一个本地或云端的模型服务跑一遍示例数据，再换成自己的文档。需要注意：实体抽取质量很大程度取决于你选了哪个 LLM，小模型跑出来的图会比较稀疏；仓库采用 MIT 许可证，商用相对宽松，但所依赖的模型权重与三方服务条款仍需以各自 LICENSE 为准。
细节和最新改动建议直接看仓库 README 与 Releases，里面有完整配置项和示例脚本。去 LightRAG 仓库翻翻
