【读代码】LightRAG轻量级知识图谱增强检索系统的架构与实现

写在前面

在大型语言模型(LLM)时代，如何让AI系统获取准确、可追溯的知识成为重要课题。传统的检索增强生成(RAG)系统多采用简单的向量相似度搜索，存在上下文片段化、知识关联缺失等问题。针对这些难题，今天一起看下开源项目LightRAG（https://github.com/HKUDS/LightRAG），它将知识图谱与向量检索进行深度融合，实现了"轻量级但高效"的RAG方案。

一、项目概述与核心创新

1.1 基本介绍

LightRAG(Light Retrieval-Augmented Generation)是专注于构建知识图谱(Knowledge Graph, KG)增强的检索系统，相比传统的GraphRAG等方案，LightRAG的核心特点在于：

• 双层次检索架构：结合本地(local)和全局(global)两级知识检索
• 自适应存储层：支持NetworkX、Neo4j、PostgreSQL等多种图数据库后端
• 异步优先设计：基于Python异步(async/await)的高性能并发处理
• 模型无关：支持多个LLM厂商

1.2 解决的核心问题

传统RAG的局限性包括：

• 🔸 孤立的文本块：向量搜