LightRAG 的索引流程包含哪些关键步骤？

1. 文档分块

将原始文档按设定的块大小切分为多个文本块，便于后续并行处理与精确定位，避免一次性分析整篇文档带来的开销。

2. 实体与关系抽取

这是 LightRAG 区别于朴素 RAG 的关键步骤。系统调用大语言模型，从每个文本块中识别出实体（如人名、机构、地点、事件、概念等）以及实体之间的关系，例如从"心脏病医生诊断心脏病"这类文本中抽取"心脏病医生"与"心脏病"两个实体及"诊断"关系。

3. 键值摘要生成与去重

在抽取的基础上，为每个实体节点和关系边生成键值对：键是用于高效召回的词语或短语，值是汇总相关片段的文本段落。随后对来自不同文本块的相同实体与关系进行去重合并，缩小图谱规模、降低后续图操作的开销。

4. 知识图谱构建

将去重后的实体作为节点、关系作为边，组装成结构化的知识图谱，使原本分散在多份文档中的信息通过关联连接起来，为跨文档、多跳推理提供结构支撑。

5. 向量嵌入

对文本块、实体和关系分别进行向量化，写入向量数据库，为检索阶段的语义相似度匹配做好准备。