一、系统架构

LightRAG使用模块化架构，包含四个主要组件：

• 文档处理管道：将文档分割成片段并提取实体和关系
• 存储层：管理向量嵌入、知识图谱和文档状态
• 检索引擎：使用向量搜索和图遍历实现各种检索策略
• 响应生成：使用 LLM 基于检索到的上下文创建连贯的响应

二、核心组件

LightRAG 围绕几个相互作用的组件构建，每个组件都有特定的职责：

组件	描述	关键类
存储层	管理不同类型的数据，具有专门的后端	BaseKVStorage, BaseVectorStorage, BaseGraphStorage, DocStatusStorage
文件处理管道	将文档转换为块、实体和关系	extract_entities, merge_nodes_and_edges
知识图谱	管理实体和关系连接	BaseGraphStorage
查询引擎	使用知识图谱处理用户查询	kg_query, naive_query
LLM集成	与不同的语言模型接口	lightrag/llm/

三、存储架构

LightRAG采用多层存储架构，具有针对不同数据类型的专用组件。这种设计允许灵活选择后端，并针对每种数据类型进行优化性能。

存储系统使用可插拔架构，具有多种实现选项：

• 键值(KV)存储：

• 存储完整文档、文本块和 LLM 响应缓存
• 默认实现：JsonKVStorage
• 其他后端：Redis、MongoDB

• 向量存储：

• 存储语义搜索的向量嵌入
• 默认实现：NanoVectorDBStorage
• 其他后端：Faiss、Milvus、Qdrant

• 图存储：

• 存储知识图谱结构
• 默认实现：NetworkXStorage
• 其他后端：Neo4j、MongoDB、PostgreSQL

• 文档状态存储：

• 跟踪文档处理状态
• 默认实现：JsonDocStatusStorage

存储后端多种可配置项：

存储类型	功能	可用后端
KV存储	文档和文本块存储	JsonKVStorage, PGKVStorage, RedisKVStorage, MongoKVStorage
向量存储	嵌入向量存储	NanoVectorDBStorage, PGVectorStorage, MilvusVectorDBStorage, ChromaVectorDBStorage, FaissVectorDBStorage, MongoVectorDBStorage, QdrantVectorDBStorage
图存储	图边和节点存储	NetworkXStorage, Neo4JStorage, PGGraphStorage, AGEStorage, MemgraphStorage
文档状态存储	文档处理状态	JsonDocStatusStorage, PGDocStatusStorage, MongoDocStatusStorage

四、文档处理管道

LightRAG 通过一个复杂的管道处理文档，将原始文本转换为知识图谱，同时保留原始上下文：

• 文本处理步骤：

• 文档摄取：接收文档并分配唯一 ID。
• 分块：根据标记大小将文档拆分为更小的块。
• 实体提取：使用 LLM 识别每个块中的实体和关系。
• 知识图谱构建：实体成为节点，关系成为边。
• 向量嵌入：块、实体和关系嵌入以进行语义搜索。

• 多模态拓展：

五、查询引擎

LightRAG提供了多种不同的检索模式，用于确定如何检索信息：

• naive：简单的向量搜索，没有知识图谱
• local：关注上下文相关的信息
• global：利用全局知识图谱连接
• hybrid：结合本地和全局检索方法
• mix：结合知识图谱和向量检索

通过更改QueryParam中的mode参数来尝试不同的模式。

模式	描述	用法
naive	简单的块向量搜索	基本文档检索
local	针对查询中相关实体的知识图谱遍历	专注的上下文知识
global	更广泛的知识图谱探索	广泛的知识综合
hybrid	结合本地和全局方法	深度和广度之间的平衡
mix	使用所有检索方法的复杂方法	最全面的检索
bypass	直接LLM查询，不进行检索	当不需要外部知识时

六、LLM和嵌入集成

LightRAG设计用于与各种LLM提供商和嵌入模型一起工作，提供模型选择的灵活性：

• LLM集成

• 支持的 LLM 提供商：OpenAI、Azure OpenAI、Anthropic、Hugging Face、Ollama
• 模型选择：通过环境变量或直接API进行配置
• 流式支持：异步流式响应以实现实时交互
• 缓存：内置响应缓存以减少API调用

• 嵌入模型

• 嵌入函数：可插拔的嵌入函数用于向量表示
• 批量处理：高效的批量处理以进行文档嵌入
• 缓存：嵌入缓存以减少冗余计算

七、数据流架构

LightRAG中的完整数据流从文档摄取到查询响应遵循循环模式：

八、扩展

LightRAG提供了几个扩展和集成点：

• 自定义知识图谱集成：

• 直接插入自定义知识图谱
• 与外部图数据源集成

• 重排序：

• 可选的重排序模型以改进检索质量
• 与各种重排序服务兼容

• 可视化工具：

• 知识图谱可视化功能
• 与Neo4j和其他可视化库集成

• Web UI和API服务器：

• 内置Web界面用于文档管理
• REST API用于与其他应用程序集成

普通人如何抓住AI大模型的风口？

领取方式在文末

为什么要学习大模型？

目前AI大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用 ， 大模型作为其中的重要组成部分 ， 正逐渐成为推动人工智能发展的重要引擎 。大模型以其强大的数据处理和模式识别能力， 广泛应用于自然语言处理 、计算机视觉 、 智能推荐等领域 ，为各行各业带来了革命性的改变和机遇 。

目前，开源人工智能大模型已应用于医疗、政务、法律、汽车、娱乐、金融、互联网、教育、制造业、企业服务等多个场景，其中，应用于金融、企业服务、制造业和法律领域的大模型在本次调研中占比超过 30%。

随着AI大模型技术的迅速发展，相关岗位的需求也日益增加。大模型产业链催生了一批高薪新职业：

人工智能大潮已来，不加入就可能被淘汰。如果你是技术人，尤其是互联网从业者，现在就开始学习AI大模型技术，真的是给你的人生一个重要建议！

最后

只要你真心想学习AI大模型技术，这份精心整理的学习资料我愿意无偿分享给你，但是想学技术去乱搞的人别来找我！

在当前这个人工智能高速发展的时代，AI大模型正在深刻改变各行各业。我国对高水平AI人才的需求也日益增长，真正懂技术、能落地的人才依旧紧缺。我也希望通过这份资料，能够帮助更多有志于AI领域的朋友入门并深入学习。

真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发

大模型全套学习资料展示

自我们与MoPaaS魔泊云合作以来，我们不断打磨课程体系与技术内容，在细节上精益求精，同时在技术层面也新增了许多前沿且实用的内容，力求为大家带来更系统、更实战、更落地的大模型学习体验。

希望这份系统、实用的大模型学习路径，能够帮助你从零入门，进阶到实战，真正掌握AI时代的核心技能！

01 教学内容

• 从零到精通完整闭环：【基础理论 →RAG开发 → Agent设计 → 模型微调与私有化部署调→热门技术】5大模块，内容比传统教材更贴近企业实战！

• 大量真实项目案例： 带你亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事‌！

02适学人群

应届毕业生‌： 无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。

零基础转型‌： 非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界‌。

业务赋能突破瓶颈： 传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型‌。

vx扫描下方二维码即可

本教程比较珍贵，仅限大家自行学习，不要传播！更严禁商用！

03 入门到进阶学习路线图

大模型学习路线图，整体分为5个大的阶段：

04 视频和书籍PDF合集

从0到掌握主流大模型技术视频教程（涵盖模型训练、微调、RAG、LangChain、Agent开发等实战方向）

新手必备的大模型学习PDF书单来了！全是硬核知识，帮你少走弯路（不吹牛，真有用）

05 行业报告+白皮书合集

收集70+报告与白皮书，了解行业最新动态！

06 90+份面试题/经验

AI大模型岗位面试经验总结（谁学技术不是为了赚$呢，找个好的岗位很重要）

07 deepseek部署包+技巧大全

由于篇幅有限

只展示部分资料

并且还在持续更新中…

真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发