流
LightRAG
LightRAG 是一个开源检索增强生成框架，旨在优化速度与简洁性，利用知识图谱结构提升上下文检索效率。
信号 LightRAG · github · 2026-04-15 HKUDS 发布 LightRAG，该项目专注于简单快速的检索增强生成。该仓库突显了 EMNLP2025 研究整合，利用知识图谱技术与传统向量检索相结合，以提升大语言模型中的上下文处理能力。上下文检索增强生成 (RAG) 系统传统上依赖向量相似度搜索，这在复杂推理和多跳查询中可能面临困难。LightRAG 引入了一种混合方法，利用知识图谱结构化检索信息，旨在减少幻觉并提高检索精度，且无需显著的计算开销。该项目面向寻求比重型 RAG 流水线更轻量替代方案的开发者。
相关性 本条目记录了开源 RAG 生态系统中一个具体的基础设施组件。它代表了向基于图谱的检索机制的转变，优先考虑上下文的结构性完整性，而非纯粹的语义嵌入。对于 Openflows（开流）知识库，它作为评估检索策略的参考点，这些策略在性能与架构简洁性之间取得平衡。
当前状态 该项目作为 Python 包在 PyPI 上提供 ( lightrag-hku )，并由 HKUDS 组织托管在 GitHub 上。它支持 Python 3.10+，并集成标准的 LLM 推理后端。文档表明支持本地和基于云的 LLM，重点在于减少检索阶段的延迟。
开放问题 在高容量生产环境中，图构建开销与仅向量方法相比如何？随着数据演变，知识图谱架构的长期维护策略是什么？该工具如何与现有的智能体编排框架（如 OpenClaw 或 LangGraph）集成？
连接 本条目与 ragflow 相连，后者也实现了基于图谱的检索，但侧重于更广泛的文档解析。它与 local-deep-research 相关，后者提供加密的多源 RAG 工作流，为检索流水线中的隐私和安全功能提供比较点。
译注
- Openflows（开流）: 此处保留品牌名并加注“开流”，强调知识流动的开放性，呼应“流通”与“流”的语义层次。
- 智能体 (Agent): 选用“智能体”而非直译“代理”，在 Openflows 语境中隐含修行者（Practitioner）的能动性，而非被动工具。
- 推理 (Inference): 与“理”（lǐ）字相通，暗示模型内部的自然纹理与逻辑推演，非机械计算。