RAG应用正在进入“工程化落地”阶段，而工具之间的协同能力成为关键变量。本文以LighRAG与Dify的集成为例，系统梳理其底层检索原理与集成逻辑，帮助产品人、AI工程师理解如何构建高效、可控的智能问答系统，为Agent化应用打下坚实基础。

0. 效果演示

1. LightRAG简介

LightRAG是一款轻量级知识图谱增强检索框架，由香港大学的研究团队开发。它与传统RAG系统的根本区别在于，将图结构集成到文本索引和检索过程中，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具有以下几个显著特点

• 轻量高效：最小化知识图谱存储和计算开销，确保系统不会因为引入图结构而大幅增加资源消耗。
• 易于集成：提供简洁API，可与现有RAGpipeline快速整合，开发者可以轻松将其嵌入现有系统中。
• 多模态支持：能同时处理结构化与非结构化数据，适应多样化的数据源。
• 可解释性强：提供检索路径的透明解释，让用户清楚了解答案的生成过程。

与传统RAG的对比

• 传统RAG系统依赖于扁平化的数据表示，难以捕捉实体之间的复杂关联
• 上下文感知能力不足，导致回答缺乏连贯性。

LightRAG通过引入基于图结构的文本索引方法和双层检索机制，从根本上提升了信息检索和生成的效率与质量。

2. 如何集成到Dify

最简单的方式是直接通过HTTP Request节点，但为了更好的拓展性，我们将LightRAG封装为工具直接作为节点被调用。

Dify Console -> Tools -> Custom -> Create Custom Tool

填入符合OpenAPI-Swagger规范的Schema，直接可以获取LightRAG提供的全部API工具

创建好后，就可以在Dify工作流里调用了。

3. LightRAG的检索基本原理

LightRAG 目前对外暴露的查询接口只有两种：

1. naive_query

• 只做“纯向量”召回：把用户问题向量化，到文本向量库（chunks_vdb）里做相似度检索，取top-k段原文，直接送进LLM生成答案。
• 不涉及知识图谱，也不区分实体/关系，适合快速demo或事实性不强的闲聊场景。

2. kg_query（Knowledge-Graph Retrieval）

基于知识图谱的混合检索，在内部会根据参数走三条路径，调用时通过 QueryParam(mode=…) 指定：

• local–仅检索实体向量库（entities_vdb），定位与问题最相关的实体节点，再把实体描述及相邻文本块喂给LLM。
• global–仅检索关系向量库（relationships_vdb），拿到与问题最相关的关系三元组及其上下文，用于“主题性”“综述性”回答。
• hybrid–同时做local+global召回，把实体、关系、原文片段一并交给LLM，兼顾细节与全局。