轻量级知识图谱框架LightRAG入门指南

摘要：LightRAG是一款创新的知识图谱增强检索框架，它将传统向量检索与知识图谱的结构化信息相结合，大幅提升了检索准确性和可解释性。与传统的RAG系统相比，LightRAG通过引入轻量级知识图谱，解决了单纯向量检索中遇到的关系缺失、语义模糊等问题。

LightRAG是一款创新的知识图谱增强检索框架，它将传统向量检索与知识图谱的结构化信息相结合，大幅提升了检索准确性和可解释性。与传统的RAG系统相比，LightRAG通过引入轻量级知识图谱，解决了单纯向量检索中遇到的关系缺失、语义模糊等问题。

# 安装核心库pip install lightrag-core# 可选：安装GPU加速支持pip install lightrag-gpu# 或者从源码安装gitclone https://github.com/lightrag/lightrag.gitcd lightragpip install -e .from lightrag import LightRAGfrom lightrag.knowledge_graph import KnowledgeGraph# 初始化知识图谱kg = KnowledgeGraph# 添加实体和关系kg.add_entity("人工智能", "概念", description="模拟人类智能的系统")kg.add_entity("机器学习", "技术", description="人工智能的子领域")kg.add_relation("人工智能", "包含", "机器学习")# 初始化LightRAGrag = LightRAG(kg_path="./knowledge_graph.json")# 或者从文本构建知识图谱rag.build_from_texts(["人工智能是模拟人类智能的系统。机器学习是人工智能的重要子领域。"])# 检索相关实体results = rag.search("人工智能的相关技术")print("检索结果:", results)# 获取知识子图subgraph = rag.get_subgraph("人工智能", depth=2)print("相关知识子图:", subgraph)from lightrag import LightRAGAgent# 创建RAG代理agent = LightRAGAgent(rag_model=rag, llm_model="gpt-4")# 进行增强生成response = agent.query("请解释人工智能和机器学习的关系")print("模型回答:", response)from lightrag import RelationExtractor# 自定义关系提取器extractor = RelationExtractor(pattern_rules={"包含关系": [(["包括", "包含"], "包含")]})rag.set_extractor(extractor)# 配置索引参数rag.configure(index_type="hnsw",distance_metric="cosine",graph_traversal_width=50)# 启用缓存rag.enable_cache(max_size=1000)# 从多个数据源构建知识图谱sources = ["专业文档1.pdf","技术手册.docx","研究论文.pdf"]for source in sources:rag.add_document(source)# 保存知识图谱rag.save_knowledge_graph("my_domain_kg")from lightrag.evaluation import Evaluatorevaluator = Evaluator(rag)metrics = evaluator.evaluate(query_set=["查询1", "查询2"],ground_truths=[["答案1"], ["答案2"]])print("检索评估指标:", metrics)