Pipeline de datos en Python que usa LLMs para extraer grafos de conocimiento estructurados de texto no estructurado y responder preguntas con generación aumentada por recuperación.
HKUDS/LightRAG
Framework y servidor ligero de RAG con grafos de conocimiento que indexa documentos como entidades y relaciones para generar respuestas de LLM con recuperación aumentada.
Alternativa open source a:Microsoft GraphRAG
- Estrellas
- 40,235
- Forks
- 5,709
- Issues abiertos
- 394
- Último commit
- hace 5 días
¿Qué es?
LightRAG es un framework de generación aumentada por recuperación que crea un grafo de conocimiento a partir de tus documentos. Para ello, extrae entidades y relaciones con un LLM y las almacena junto con embeddings vectoriales. Después, las consultas pueden responderse usando el contexto de entidades locales, el contexto global de relaciones, la recuperación de fragmentos sin más o una combinación de estos métodos. Hay cinco modos de consulta seleccionables; mix es el predeterminado.
Además del SDK de Python, incluye un servidor con una API REST y una interfaz web para cargar documentos, explorar el grafo y depurar consultas. Para analizar documentos, se puede usar MinerU, Docling o el parser nativo integrado para archivos de Word y Markdown. Entre las opciones de almacenamiento están PostgreSQL, MongoDB, OpenSearch, Neo4j, Milvus, Qdrant y otras. El almacenamiento en memoria, que viene configurado de forma predeterminada, está pensado solo para pruebas; el proyecto recomienda PostgreSQL en producción.
El proyecto incluye integraciones con RAGAS para evaluar y con Langfuse para el tracing, reranking opcional, configuración de LLM por rol para tareas de extracción, consulta, palabras clave y visión, y despliegue con Docker Compose.
Funciones clave
- 01Crea un grafo de conocimiento con entidades y relaciones a partir de documentos mediante un LLM.
- 02Ofrece cinco modos de consulta: local, global, hybrid, naive y mix.
- 03Incluye un servidor con API REST y una interfaz web integrada.
- 04Analiza documentos con MinerU, Docling o un parser nativo para Word y Markdown.
- 05Admite PostgreSQL, MongoDB, OpenSearch, Neo4j, Milvus y Qdrant como backends de almacenamiento.
- 06Admite actualizaciones incrementales y eliminación de documentos, con reconstrucción del grafo de conocimiento.
Casos de uso
- Crear un sistema de preguntas y respuestas sobre una gran colección privada de documentos.
- Responder preguntas que abarcan varios documentos y requieren resumir temas o relaciones.
- Consultar manuales legales, financieros o técnicos que contienen tablas y fórmulas.
- Evaluar la calidad de RAG con RAGAS y, a la vez, hacer tracing de las llamadas con Langfuse.
Inicio rápido
- 1
Instala el servidor LightRAG con uv
uv tool install "lightrag-hku[api]" - 2
Crea un archivo .env a partir del ejemplo y configura el LLM y los embeddings
cp env.example .env - 3
Inicia el servidor LightRAG
lightrag-server
Antes de usarlo
- De forma predeterminada, el servidor se enlaza a todas las interfaces y, sin autenticación, todos los endpoints son públicos.
- Debes configurar un LLM y un modelo de embeddings en .env antes de que pueda indexar o responder consultas.
Temas
Preguntas frecuentes
- ¿Qué es LightRAG?
- Framework y servidor ligero de RAG con grafos de conocimiento que indexa documentos como entidades y relaciones para generar respuestas de LLM con recuperación aumentada. LightRAG es un framework de generación aumentada por recuperación que crea un grafo de conocimiento a partir de tus documentos. Para ello, extrae entidades y relaciones con un LLM y las almacena junto con embeddings vectoriales. Después, las consultas pueden responderse usando el contexto de entidades locales, el contexto global de relaciones, la recuperación de fragmentos sin más o una combinación de estos métodos. Hay cinco modos de consulta seleccionables; mix es el predeterminado.
- ¿LightRAG es gratuito? ¿Qué licencia tiene?
- LightRAG es open source bajo la licencia MIT. Revisa los términos de la licencia antes de usarlo en productos comerciales.
- ¿LightRAG sigue mantenido?
- Mantenimiento activo. El último commit de LightRAG fue el 15 oct 2026.
- ¿Para qué puedo usar LightRAG?
- Crear un sistema de preguntas y respuestas sobre una gran colección privada de documentos. Responder preguntas que abarcan varios documentos y requieren resumir temas o relaciones. Consultar manuales legales, financieros o técnicos que contienen tablas y fórmulas. Evaluar la calidad de RAG con RAGAS y, a la vez, hacer tracing de las llamadas con Langfuse.
- ¿Cómo se instala LightRAG?
- Instala el servidor LightRAG con uv: uv tool install "lightrag-hku[api]" Crea un archivo .env a partir del ejemplo y configura el LLM y los embeddings: cp env.example .env Inicia el servidor LightRAG: lightrag-server
- ¿Dónde consigo LightRAG?
- El código fuente y las instrucciones de instalación están en GitHub: https://github.com/HKUDS/LightRAG
Resumen generado por IA a partir del README del proyecto. Las estadísticas de GitHub se actualizan a diario.
Proyectos relacionados
Sistema de memoria de IA local-first que almacena el historial de conversaciones íntegro y lo recupera mediante búsqueda semántica, disponible como servidor MCP y CLI.
Framework de Python para crear aplicaciones de RAG, agentes y procesamiento de documentos que conectan LLM con tus propios datos.
Plataforma de memoria de IA de código abierto que convierte documentos, código y conversaciones en un grafo de conocimiento autohospedado para agentes de IA.
Framework open source de Python para crear aplicaciones LLM listas para producción con pipelines modulares y flujos de trabajo de agentes para RAG, búsqueda y agentes.
Framework RAG todo en uno para consultar documentos con texto, imágenes, tablas y ecuaciones, basado en LightRAG.