Конвейер обработки данных на Python, который использует LLM для извлечения структурированных графов знаний из неструктурированного текста и ответов на вопросы с помощью RAG.
HKUDS/LightRAG
Лёгкий фреймворк и сервер для RAG на основе графа знаний: индексирует документы, выделяя сущности и связи, чтобы LLM могла формировать ответы с дополненной генерацией.
Open source альтернатива:Microsoft GraphRAG
- Звёзды
- 40,235
- Форки
- 5,709
- Открытые issues
- 394
- Последний коммит
- 5 дней назад
Что это?
LightRAG — это фреймворк для генерации с дополненной выборкой, который строит граф знаний на основе документов: с помощью LLM извлекает сущности и связи и сохраняет их вместе с векторными эмбеддингами. Затем на запросы можно отвечать, используя контекст локальных сущностей, контекст глобальных связей, обычный поиск по фрагментам или их комбинацию. Доступно пять режимов запросов, по умолчанию выбран mix.
Помимо Python SDK, проект поставляется в виде сервера с REST API и веб-интерфейсом для добавления документов, просмотра графа и отладки запросов. Для разбора документов можно использовать MinerU, Docling или встроенный парсер Word- и Markdown-файлов, а для хранения — PostgreSQL, MongoDB, OpenSearch, Neo4j, Milvus, Qdrant и другие системы. Хранилище в памяти по умолчанию предназначено только для тестирования; для production проект рекомендует PostgreSQL.
В проект входят интеграции для оценки с помощью RAGAS и трассировки с помощью Langfuse, опциональное ранжирование результатов, отдельные настройки LLM для задач извлечения, запросов, ключевых слов и обработки изображений, а также развёртывание через Docker Compose.
Ключевые возможности
- 01Строит граф знаний сущностей и связей по документам с помощью LLM.
- 02Предлагает пять режимов запросов: local, global, hybrid, naive и mix.
- 03Предоставляет сервер с REST API и встроенным веб-интерфейсом.
- 04Разбирает документы с помощью MinerU, Docling или встроенного парсера Word/Markdown.
- 05Поддерживает PostgreSQL, MongoDB, OpenSearch, Neo4j, Milvus и Qdrant в качестве хранилищ.
- 06Поддерживает инкрементальное обновление и удаление документов с перестроением графа знаний.
Сценарии использования
- Создание системы ответов на вопросы по большой коллекции закрытых документов.
- Ответы на вопросы по нескольким документам, требующие обобщения тем или связей между ними.
- Поиск по юридическим, финансовым или техническим руководствам с таблицами и формулами.
- Оценка качества RAG с помощью RAGAS и трассировка вызовов через Langfuse.
Быстрый старт
- 1
Установите сервер LightRAG с помощью uv
uv tool install "lightrag-hku[api]" - 2
Создайте файл .env на основе примера и настройте LLM и embedding
cp env.example .env - 3
Запустите сервер LightRAG
lightrag-server
Что важно знать
- По умолчанию сервер привязывается ко всем интерфейсам, и без аутентификации все конечные точки доступны публично.
- Прежде чем сервер сможет индексировать данные или отвечать на запросы, необходимо настроить LLM и модель embedding в .env.
Темы
Частые вопросы
- Что такое LightRAG?
- Лёгкий фреймворк и сервер для RAG на основе графа знаний: индексирует документы, выделяя сущности и связи, чтобы LLM могла формировать ответы с дополненной генерацией. LightRAG — это фреймворк для генерации с дополненной выборкой, который строит граф знаний на основе документов: с помощью LLM извлекает сущности и связи и сохраняет их вместе с векторными эмбеддингами. Затем на запросы можно отвечать, используя контекст локальных сущностей, контекст глобальных связей, обычный поиск по фрагментам или их комбинацию. Доступно пять режимов запросов, по умолчанию выбран mix.
- LightRAG можно использовать бесплатно? Какая у него лицензия?
- LightRAG распространяется с открытым исходным кодом под лицензией MIT. Перед использованием в коммерческих продуктах проверьте условия лицензии.
- LightRAG всё ещё поддерживается?
- Активно поддерживается. Последний коммит в LightRAG — 15 окт. 2026 г..
- Для чего можно использовать LightRAG?
- Создание системы ответов на вопросы по большой коллекции закрытых документов. Ответы на вопросы по нескольким документам, требующие обобщения тем или связей между ними. Поиск по юридическим, финансовым или техническим руководствам с таблицами и формулами. Оценка качества RAG с помощью RAGAS и трассировка вызовов через Langfuse.
- Как установить LightRAG?
- Установите сервер LightRAG с помощью uv: uv tool install "lightrag-hku[api]" Создайте файл .env на основе примера и настройте LLM и embedding: cp env.example .env Запустите сервер LightRAG: lightrag-server
- Где скачать LightRAG?
- Исходный код и инструкции по установке — на GitHub: https://github.com/HKUDS/LightRAG
Описание создано ИИ на основе README проекта. Статистика GitHub обновляется ежедневно.
Похожие проекты
Локальная AI-система памяти: хранит историю диалогов без изменений и находит нужное с помощью семантического поиска; доступна как MCP-сервер и CLI.
Python-фреймворк для создания RAG-приложений, агентов и систем обработки документов, связывающих LLM с вашими данными.
Open-source платформа памяти для AI, которая превращает документы, код и диалоги в локально размещённый граф знаний для AI-агентов.
Открытый Python-фреймворк для создания готовых к продакшену LLM-приложений с модульными конвейерами и агентными процессами для RAG, поиска и работы агентов.
Универсальный RAG-фреймворк на базе LightRAG для работы с документами, где помимо текста есть изображения, таблицы и формулы.