LightRAG 知识图谱 RAG 部署指南3 步搭建自己的知识库问答系统【免费下载链接】LightRAG[EMNLP2025] LightRAG: Simple and Fast Retrieval-Augmented Generation项目地址: https://gitcode.com/GitHub_Trending/li/LightRAGLightRAG 是一个开源的 RAGRetrieval-Augmented Generation检索增强生成系统它把上传的文档拆成知识图谱再结合向量检索来回答问题回答比纯文本检索更准、更有上下文。这篇指南带新手走最短路径拉代码、改配置、起容器三步在本地跑起一个能用的知识问答系统跟着做完你就拥有自己的知识库和 Web 管理界面。部署前先自检机器和软件够不够 开始之前对照下面这张表确认环境检查项要求系统Windows、macOS、Linux 均可软件已安装 Docker 和 Docker Compose硬件内存 ≥ 8GBSSD 体验更佳网络能访问网络用于拉取镜像和模型两条命令确认 Docker 环境可用docker --version docker compose version都能输出版本号就可以动手了。五分钟完成 LightRAG 部署 第 1 步拉取项目代码git clone https://gitcode.com/GitHub_Trending/li/LightRAG cd LightRAG把仓库克隆到本地后面的命令都在 LightRAG 目录里执行。第 2 步写配置cp env.example .env复制出一份 .env这是所有配置的入口。打开它至少改掉这几项HOST0.0.0.0 PORT9621 LIGHTRAG_API_KEYyour_secure_api_key_here LLM_BINDINGollama LLM_BINDING_HOSThttp://host.docker.internal:11434 LLM_MODELqwen3:8b EMBEDDING_BINDINGollama EMBEDDING_BINDING_HOSThttp://host.docker.internal:11434 EMBEDDING_MODELbge-m3HOST/PORT 是服务监听地址LIGHTRAG_API_KEY 是 Web 界面的登录密钥用强密码LLM_BINDING 和 EMBEDDING_BINDING 指定回答问题和计算向量分别用哪个模型。不想手改的话项目也提供了交互式配置向导可看 交互配置向导。第 3 步启动服务docker compose up -d后台启动容器首次运行要拉镜像稍等几分钟。接着确认服务活着docker compose ps全部显示 Up 后浏览器打开http://localhost:9621输入刚才设的 API Key 登录。启动后的第一次实战 文档页先喂文档图 1文档管理界面列出了每份文档的解析状态、块数和更新时间点 Upload 上传文档或点 Scan 扫描输入目录。系统自动解析、分块、提取实体和关系状态列走到 Completed 才算入库。数据落在本地data/目录想清空重来就用右上角的 Clear。建议先传一两份自己熟悉的文档方便后面验证问答效果。知识图谱页点开看看它记住了什么图 2知识图谱界面节点是实体连线是实体间的关系右侧展示节点详情点任意节点右侧会显示它的类型、摘要描述和相邻实体。左侧菜单可切换 Force Atlas、Circular 等布局算法。建议挑一个文档里的主角实体点开来确认它关联到了预期的概念这是图谱质量的第一道体检。检索页问第一个问题图 3检索问答界面输入问题右侧调节查询参数回答附带引用来源输入问题点 Send。默认查询模式是 mix它同时走实体检索、主题检索和原文向量检索答案最全面。右侧面板可以调 Top K Results、各部分 token 上限、历史轮数等参数。建议先用默认参数问一个你刚上传文档里的事实性问题看看答案和引用是否符合预期。挑一套适合你的配置 ⚙️场景 A纯本地 Ollama离线、零花费适合谁不想花钱、数据要留在本机。改哪几个配置LLM_BINDINGollama、EMBEDDING_BINDINGollama两个*_BINDING_HOST都填http://host.docker.internal:11434LLM_MODEL、EMBEDDING_MODEL填本地模型名如qwen3:8b、bge-m3另外设OLLAMA_LLM_NUM_CTX32768。效果如何完全离线、无调用费本地模型要自己先拉好提取质量取决于模型大小。场景 BOpenAI 云端效果优先适合谁有 OpenAI Key、图省事要质量。改哪几个配置LLM_BINDINGopenai、LLM_MODELgpt-5.4-mini、EMBEDDING_BINDINGopenai、EMBEDDING_MODELtext-embedding-3-largeAPI Key 填LLM_BINDING_API_KEY。效果如何配置最少、效果最好按 token 计费文档量大时成本上升。场景 C混合云端 LLM 本地嵌入适合谁既要回答质量又要控制成本。改哪几个配置LLM 三项按场景 B 走云端EMBEDDING_BINDING和EMBEDDING_MODEL保留 Ollama 本地配置。效果如何向量计算不花钱最终回答质量由云端模型兜底。三个场景里嵌入模型只能选一次——索引和查询必须用同一个模型见后面坑点 3。看看它内部怎么跑 流程拆开看很简单。文档进来后解析 → 切成文本块 → LLM 从每个块里提取实体和关系拼成知识图谱同时文本块、实体、关系各自算出向量存进向量库。所以一份文档最终留下两样东西一张关系图和一堆向量。查询时先从问题里提取关键词然后在图谱里做两级检索——低层找具体实体高层找主题模式——再补一路原文向量检索把三路结果合在一起交给 LLM生成带引用的回答。图 4LightRAG 架构文档经 LLM 提取实体与关系建立索引查询走低层/高层双级检索这也是它比纯向量 RAG 多出来的价值跨文档的关系问题靠图谱连线找靠逐块向量找是找不全的。踩坑手册 ️Q服务起来了但浏览器打不开A依次查docker compose ps容器是否 Up、端口是否被占用、.env 里LIGHTRAG_API_KEY是否设置——没设密钥的 0.0.0.0 服务拒绝认证请求。日志看docker compose logs -f。Q容器里连不上本机 OllamaA容器内localhost指向容器自己。把LLM_BINDING_HOST和EMBEDDING_BINDING_HOST都写成http://host.docker.internal:11434先确认宿主机 Ollama 已启动且模型已拉取。Q换嵌入模型后检索全乱了A嵌入模型定下后不能再换换了等于全库失效需要清掉数据目录重建索引。第一次配EMBEDDING_MODEL前想清楚。Q文档处理卡在提取阶段、超时失败A多半是 LLM 太慢。调大LLM_TIMEOUT或限制输出长度例如OPENAI_LLM_MAX_TOKENS9000间歇性失败直接重试该文档即可。Q上传大文件被拒A上传上限默认 100MBMAX_UPLOAD_SIZE文档过大或格式不支持都会在日志里写明原因按需调整上限或拆分文档。Q回答质量不理想A先检查SUMMARY_LANGUAGE是否和文档语言一致中文文档建议设Chinese再试着在 .env 里配置RERANK_BINDING启用重排代价是每次查询多 1~2 秒。更多 API 与界面细节见 LightRAG 服务文档。接下来干什么先给知识图谱页多喂几份文档用 mix 模式把问答跑顺觉得答案排序不够准就配一个重排模型要对外开放服务前把 API Key 换成强密码并只绑定本机地址。【免费下载链接】LightRAG[EMNLP2025] LightRAG: Simple and Fast Retrieval-Augmented Generation项目地址: https://gitcode.com/GitHub_Trending/li/LightRAG创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考