LightRAG 的核心设计思路是什么？

1. 以图结构弥补扁平表示的不足

传统 RAG 系统通常把文档切分为文本块、计算向量嵌入，再按语义相似度召回最相近的片段。这种方式把知识视为彼此独立的"碎片"，难以表达实体之间的关联，面对需要跨多个片段、多跳推理的复杂问题时容易给出割裂的答案。LightRAG 的核心思路是把知识看作网状连接的结构，在索引阶段就用大语言模型抽取实体与关系、构建知识图谱，让检索从"找相似"进化到"找关联"。

2. 用双层检索兼顾精度与广度

LightRAG 在检索阶段同时生成两类查询键：面向具体实体的低层键，用于精确召回某一实体及其直接关联；面向抽象主题的高层键，用于捕捉跨文档的宏观语义关联。低层保证事实精度，高层保证上下文广度，二者结合使系统既能回答细节问题，也能处理概念性、趋势性问题。

3. 以增量更新支撑动态知识库

传统图增强方案在数据变化时往往需要重建整张图谱，成本高、难以适应频繁更新的数据。LightRAG 采用增量更新算法，新文档到来时只处理新增内容，并将新的节点与边合并进现有图谱，无需全量重算，从而在保持数据时效性的同时控制计算开销。