LightRAG 本地部署与 WebUI 应用指南

启动 API-WebUI 服务：

lightrag-server

3. WebUI 界面访问

服务启动后，可通过以下地址访问：

• WebUI 首页：http://127.0.0.1:9621/webui/#/
• Swagger UI：http://localhost:9621/docs
• ReDoc：http://localhost:9621/redoc

所有服务器（LoLLMs、Ollama、OpenAI 和 Azure OpenAI）都为 RAG 功能提供相同的 REST API 端点。

3.1 文档管理

上传文档后，系统会进行矢量化分块处理，大致经过以下步骤：

1. 文档预处理 & 分块
2. 文本块的向量化和存储
3. 基于 LLM 从文本块中抽取实体与关系
4. 为实体描述 / 关系描述生成向量，并存入向量库

生成的文件说明：

• 文本块向量：存入 chunks 向量表（如 vdb_chunks.json）
• 实体描述向量：存入 entities 向量表（vdb_entities.json）
• 关系描述向量：存入 relationships 向量表（vdb_relationships.json）
• 知识图谱：保存结构化实体与关系，如 graph_chunk_entity_relation.graphml 等

3.2 知识图库

系统会自动展示提取出的实体与关系网络，支持可视化查看。

3.3 检索 (Retrieval)

输入查询词，系统会根据配置的检索模式返回响应。例如输入'重置下拉代码'，检索上传的文件内容并生成回答。

3.4 API 管理

提供标准的 REST API 接口，方便集成到外部系统中。

三、原理与对比

1. 传统 RAG 的局限性

存在显著局限性，包括依赖扁平的数据表示和上下文意识不足，可能导致答案支离破碎，未能捕捉复杂的相互依赖关系。当数据语料库增长时，会出现可扩展性低效，导致检索质量差。

2. Microsoft GraphRAG

知识图谱是由一组节点组成的数据结构，这些节点保留了不同实体之间存在于不同数据点之间的关系。结构化知识图谱使 GraphRAG 能够通过连接点或对比信息片段，在多跳推理中表现出色。

缺点：

• 运行通常非常慢，因为需要多个 LLM API 调用，可能会遇到速率限制。
• 成本较高。基于测试的网络社区显示，索引简单书籍可能花费数美元。
• 增量更新效率低，纳入新数据通常需要重建整个 KG。
• 缺乏显式的去重步骤，导致图索引噪声较大。

3. LightRAG 的特点

LightRAG 是一种基于 GraphRAG 的创新方法，结合了知识图谱的属性与基于嵌入的检索系统，使其既快速又高效。

• 解决痛点：通过比社区穿越更好的方法，减少索引和响应时间；通过增量更新算法，只更新特定元素实例，轻松适应新数据。
• 全面的信息检索：提供多元答案，高效且低成本。
• 快速适应数据：以最小的重新索引方式更新数据。

3.1 基于图的文本索引

索引阶段，LightRAG 处理原始文本文档以构建一个结构化且可查询的知识图谱。通过将文档分割成更小、更易管理的部分，增强了检索系统。接下来，我们利用大型语言模型识别和提取各种实体以及它们之间的关系。通过该过程收集的信息将用于创建一个全面的知识图谱，突出整个文档集合之间的联系和洞见。

关键函数描述：

1. 提取实体和关系 R()：LLM 分析文本块，识别关键实体及其之间的关系。
2. 键值对生成 P()：采用 LLM 赋能的分析函数为每个实体节点和关系边生成文本键值对。
3. 去重优化 D(.)：识别并合并原始文本不同段的相同实体和关系，最小化图的大小。

3.2 双重层级检索范式 (Dual-level Retrieval Paradigm)

为了从特定文档块及其复杂的相互依赖关系中获取最相关的上下文，LightRAG 提出在详细和抽象层面生成查询键。

• 低层检索 (Local Query Keywords)：主要关注检索特定实体及其相关属性或关系。针对单个节点和边缘的具体细致信息，以处理本地查询。
• 高层检索 (Global Query Keywords)：涉及更广泛的主题和整体主题。汇总来自不同文档的多个实体信息，回答需要更广泛主题或抽象思考的全球性问题。

双层检索查询过程：

1. 查询分析：分析用户查询，提取高层概念和底层关键词。
2. 全局检索：使用高层概念查询知识图谱，识别提供广泛上下文的关键关系和实体。
3. 局部检索：使用底层关键词对文本块进行向量搜索，检索具体详细的信息。
4. 响应生成：将来自全局检索和局部检索的组合上下文进行综合，并传递给 LLM，以生成一个全面而准确的答案。

3.3 增量索引 (Incremental Indexing)

索引新文件，自动更新 LLM 响应缓存，包含任何新的实体和关系，且不会与现有数据冲突或重复。

3.4 查询模式 (Querying)

根据查询模式（如 naive、局部 local、全局 global 和混合 hybrid），相关关键词会从查询中提取，并与 KV 存储和向量数据库进行比较，以根据余弦相似度检索候选实体和关系。

代码参考示例：

# Naive RAG – 传统 RAG
await rag.aquery("What are the top themes in this story?", param=QueryParam(mode="naive"))

# Local Query – LightRAG 本地查询
await rag.aquery("What are the top themes in this story?", param=QueryParam(mode="local"))

# Global Query – LightRAG 全局查询
await rag.aquery("What are the top themes in this story?", param=QueryParam(mode="global"))

# Hybrid Query – LightRAG 混合查询
await rag.aquery("What are the top themes in this story?", param=QueryParam(mode="hybrid"))

四、总结

LightRAG 在构建 RAG 系统方面提供了相对完整的解决方案。相比传统的纯向量检索，它的核心特点是引入了知识图谱，能把非结构化文本组织成实体 - 关系网络，这种混合检索策略（语义向量 + 图谱关系）确实能让 LLM 获得更丰富的上下文信息。它在多个基准测试中都优于 naive RAG 和 GraphRAG。

五、参考资料

• LightRAG GitHub
• README-zh
• LightRAG Framework Docs