提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

---

前言

随着大模型在智能客服、企业知识库、文档问答等场景广泛落地，检索增强生成（RAG） 已经成为解决模型幻觉、提升回答准确性的核心技术。但大家在实际使用中会发现：普通 RAG 只能做 “语义相似匹配”，遇到关联问题、多条件规则、跨文档知识时，经常答不全、逻辑断、容易乱。
为了解决这些问题，GraphRAG（知识图谱增强 RAG） 应运而生。它把知识变成 “实体 — 关系 — 实体” 的结构，让机器真正理解知识之间的联系。不过早期的 GraphRAG 方案（如微软 GraphRAG）太重、部署复杂、成本高、还不支持频繁更新，让很多人望而却步。
这时，LightRAG 出现了：轻量、快、省 token、支持增量更新、不用额外装图数据库，完美适配客服、活动规则、高频更新的知识库场景。
下面内容为
传统 RAG 差在哪 → GraphRAG 强在哪 → LightRAG 与微软 GraphRAG 怎么选 → 技术架构一目了然 → 快速上手对比。

注意

此次是安装在windows，源码安装，调用商业大模型，
原因：这台我自己电脑，之后我会放在linux上面
然后为什么官方有docket等安装方式，而我源码安装是因为我这台电脑太烂启动docket，电脑基本就跑不动了，这也是我为什么悬着使用商业大模型，目前选择了deepseek的llm模型，以及glm的向量模型Embedding-3

一、传统 RAG vs Graph RAG：从 “文本匹配” 到 “知识理解”

1.1传统 RAG（常规 RAG）是什么？

传统 RAG 是目前最常见的方案：把文档切块 → 生成向量 → 存入向量库 → 用户提问检索相似块 → 丢给 LLM 生成回答。

核心技术栈

文本分块：固定大小 / 按段落
向量模型：Embedding 模型
存储：向量库（Milvus、FAISS、Chroma、Pinecone）
检索：余弦相似度检索
图数据库：无
知识结构：无结构 / 半结构文本块

优点

简单、稳定、兼容性强
适合简单 FAQ、单段落问答

缺点

只看语义相似，不懂知识关系
跨文档、多跳问题答不好
规则类、活动类问答容易漏条件
上下文碎片化，逻辑不连贯
高频更新时索引维护麻烦

1.2 Graph RAG（知识图谱增强 RAG）是什么？

GraphRAG 在传统 RAG 基础上，加入知识图谱，把文本变成：实体 — 关系 — 属性 — 来源文档
系统不再只是 “找相似句子”，而是理解知识结构。

核心技术栈

实体抽取 / 关系抽取
知识图谱存储
向量库 + 图数据库混合检索
双层检索：图谱推理 + 向量召回
可做路径查询、多跳推理、关联解释

优点

回答更准、逻辑更强、幻觉更少
擅长关联问答、规则问答、多跳问答
知识可追溯、可可视化
适合客服、法律、医疗、政务等高要求场景

缺点（老方案）

重、部署成本高
索引耗 token
部分方案不支持增量更新

对比

二、第二章 GraphRAG 两大主流方案：微软 GraphRAG vs LightRAG

目前最常用的两个 GraphRAG 开源项目：
1.微软 GraphRAG（microsoft/graphrag）
2.LightRAG（HKUDS/LightRAG）
两者定位完全不同，适用场景天差地别。

2.1 微软 GraphRAG

微软官方开源，是标准、重算力、强推理的 GraphRAG 标杆。
核心技术
全局社区聚类、社区摘要
多跳检索、全局理解能力极强
图存储：支持 Neo4j
向量库：支持多种
LLM 调用：多阶段、大量 token

优点

推理能力最强
跨文档理解最强
学术 / 工业标准方案
可解释性极强

缺点

不支持增量更新
索引极慢、极贵
查询延迟高（10 秒 +）
部署重、需要资源高
不适合客服 / 频繁更新场景

2.2 LightRAG

港大开源，轻量级、快、省成本、支持增量，专为真实业务场景设计。
核心技术
轻量级实体 - 关系抽取
双层检索：图谱检索 + 向量检索
内置存储：不需要 Neo4j、不需要 Milvus
增量更新：随时加 / 改文档
CPU 可跑

#优点

极快（查询 1～3 秒）
省 99% token
原生增量更新
部署极简、兼容国产模型
完美适配客服、活动规则、高频更新知识库
可直接对接 Dify、FastGPT

缺点

超深度全局推理略弱于微软 GraphRAG

对比

三.安装部署LightRAG

此次为windows
建议创建一个新环境，python=3.10
可以用uv（官方推荐），也可以用conda，我是用的conda（因为我之前做一些东西用到conda，懒得再去uv了）
github的地址为：

https://github.com/HKUDS/LightRAG

可以拉取代码，也可以直接使用命令行下载
进入到目录复制这个env.example重命名为.env（这是配置文件）
然后在命令行输入：

依赖库（有三个，我选择的这个不需要本地模型）
pip install -r requirements-offline.txt
构建前端代码
pip install "lightrag-hku[api]"

再去修改配置文件.env，填上自己的key

可以用查找搜索LLM_BINDING=openai这个位置
默认是
#LLM_BINDING=openai
#LLM_BINDING_HOST=https://api.openai.com/v1
#LLM_BINDING_API_KEY=your_api_key
#LLM_MODEL=gpt-5-mini
这里可以改一下
比如我是deepseek
LLM_BINDING=openai
LLM_BINDING_HOST=https://api.deepseek.com/v1
LLM_BINDING_API_KEY=sk-xxxxxx
LLM_MODEL=deepseek-chat
LLM_TIMEOUT=180
OPENAI_LLM_MAX_TOKENS=8192

在去找向量模型
也是可以搜索EMBEDDING_BINDING=openai这个位置
默认这里是
### OpenAI compatible embedding
#EMBEDDING_BINDING=openai
#EMBEDDING_BINDING_HOST=https://api.openai.com/v1
#EMBEDDING_BINDING_API_KEY=your_api_key
#EMBEDDING_MODEL=text-embedding-3-large
#EMBEDDING_DIM=3072
#EMBEDDING_TOKEN_LIMIT=8192
#EMBEDDING_SEND_DIM=false
# EMBEDDING_USE_BASE64=true
然后我们改成glm的，或者你自己的
EMBEDDING_BINDING=openai
EMBEDDING_BINDING_HOST=https://open.bigmodel.cn/api/paas/v4
EMBEDDING_BINDING_API_KEY=xxxxx
EMBEDDING_MODEL=embedding-3
EMBEDDING_DIM=2048
EMBEDDING_TOKEN_LIMIT=8192

然后在命令行输入

lightrag-server

注意上面显示 http://localhost:9621，但是我我们要输入http://127.0.0.1:9621/进入
需要改成中文可以点击这里（在右上角）

可以选择上传一个简单文档测试
这里可以查看图谱
可以进行问问题回答

四.调用LightRAG

可以直接用下面代码，也是ai写的，可以直接用

import requests
import json


BASE_URL = "http://127.0.0.1:9621"


def ask_question(query):
    """
    调用 LightRAG 接口提问
    """
    url = f"{BASE_URL}/query"

    payload = {
        "query": query
    }

    headers = {
        "Content-Type": "application/json"
    }

    try:
        response = requests.post(url, json=payload, headers=headers, timeout=30)
        response.raise_for_status()

        result = response.json()
        return result

    except Exception as e:
        return {"error": str(e)}


# ==================== 主程序 ====================
if __name__ == "__main__":
    print("=" * 50)
    print("      LightRAG 本地问答测试工具")
    print("=" * 50)

    while True:
        user_input = input("\n请输入你的问题（输入 q 退出）：")

        if user_input.strip().lower() == "q":
            print("退出程序...")
            break

        if not user_input.strip():
            print("请输入有效问题！")
            continue

        print("\n正在查询知识库...\n")

        # 调用接口
        result = ask_question(user_input)

        # 输出结果
        if "response" in result:
            print("【AI 回答】：")
            print(result["response"])

        elif "error" in result:
            print("【出错了】：", result["error"])
        else:
            print("【返回结果】：")
            print(json.dumps(result, ensure_ascii=False, indent=2))

效果

---

总结

以上就是今天要讲的内容，本文介绍了常规RAG和Graph RAG区别，以及LightRAG部署使用，之后会移动到linux系统上面，以及做多用户使用，现在是只有一个单用户使用的，修改workspace不同实例，做到多用户使用。