一、LightRAG:把“图结构”装进 RAG 的双层检索大脑
LightRAG 的核心设计思路是:在传统向量召回基础上,显式引入知识图谱(KG),形成“低层语义块 + 高层图结构”的双层检索,让答案既能对齐语义又能走通逻辑路径。近期它还把多模态接进来了,并提供了开箱即用的 Server/UI/Docker 形态,易于部署集成。
你能得到什么:
•多模态 RAG(文本 / 图片 / Office 文档 / 表格 / 公式)已通过 RAG-Anything 集成,无需自造轮子。•知识图谱可视化与自定义注入:既能图上看见关系,也能把你的领域知识(实体/关系)增补进系统。•轻量部署:PyPI 安装、Docker Compose、一条命令起 Web UI + API(还提供 Ollama 兼容接口,便于接入 Open WebUI 等聊天前端)。•多样存储:支持 PostgreSQL / Neo4j 等,便于企业环境按需选型。
最小化安装(示例):
pip install "lightrag-hku[api]"cp env.example .envlightrag-server # 启动 Web UI + API(含 Ollama 兼容接口)
或直接 Docker:
git clone https://github.com/HKUDS/LightRAG.gitcd LightRAG&& cp env.example .envdocker compose up
二、Yuxi-Know:把 LightRAG 连接成“知识图谱智能体平台”
Yuxi-Know 的定位是“结合 LightRAG 知识库的知识图谱智能体平台”,后端以 LangGraph + FastAPI 编排推理流程,前端用 Vue 做交互,并集成 Neo4j(图数据库)、MinerU/PP-Structure(结构化抽取)、联网检索与工具调用等,方便做成“会读、会抽、会图谱、会检索、会调用工具”的一体化业务台。
近期发布亮点(v0.2.0):
•知识库删除联动清理 Milvus 与 Neo4j 数据,降低脏数据残留;•知识库数据导出能力(进行中),便于备份与迁移;•版本签名与工作流活跃,适合持续更新的团队协作。
LightRAG 解决“怎么把文档与知识图谱纳入可检索的索引体系”,Yuxi-Know 则负责“把索引/检索/推理/工具编排成可运营的业务应用”。
github地址为:https://github.com/xerrors/Yuxi-Know