9 · 术语表（Glossary）

轻量图谱增强检索 · 本章是 LightRAG DeepWiki 中文译文的独立章节页，保留原始链接、源码锚点、模块标签和章节层级。

项目LightRAG 章节9 状态全文译文模块图谱与关系、检索、召回与索引、存储与持久化、接口与服务契约

项目要点页2.5 参考项目项目章节目录LightRAG DeepWiki 原始章节Glossary 上一章8.5

源码线索

README-zh.md
README.md
env.example
lightrag/api/config.py
lightrag/api/lightrag_server.py
lightrag/api/routers/document_routes.py
lightrag/api/utils_api.py
lightrag/base.py
lightrag/constants.py
lightrag/kg/json_doc_status_impl.py

模块标签

图谱与关系
检索、召回与索引
存储与持久化
接口与服务契约
入库与解析

中文译文

评估, 工具, 与示例（中文译文）

原始 DeepWiki 页面：https://deepwiki.com/HKUDS/LightRAG/9-evaluation-tools-and-examples

翻译时间：2026-05-27T08:45:14.381Z

翻译模型：deepseek-chat

原文字符数：6839

项目：LightRAG (lightrag)

---

评估、工具与示例

检索增强生成（RAG）质量评估

LightRAG 包含一个基于 RAGAS 框架构建的专用评估模块。这使开发者能够使用行业标准指标定量评估其检索增强生成（RAG）管线的性能。评估侧重于用户问题、检索到的上下文以及生成的答案之间的关系。

核心指标

评估脚本 lightrag/evaluation/eval_rag_quality.py:5-9 衡量以下指标：

忠实度（Faithfulness）：答案相对于检索到的上下文的事实准确性。
答案相关性（Answer Relevance）：答案对特定问题的匹配程度。
上下文召回率（Context Recall）：检索系统是否找到了所有必要信息。
上下文精确率（Context Precision）：检索到的文档中信噪比。

评估工作流

系统提供了一个示例数据集 lightrag/evaluation/sample_dataset.json:1-34 和相应的文档 lightrag/evaluation/sample_documents/README.md:1-22，以便立即测试评估管线。结果会以 CSV 和 JSON 两种格式导出，用于详细分析 lightrag/evaluation/eval_rag_quality.py:29-31。

详情请参见检索增强生成（RAG）质量评估。

---

开发者工具与实用程序

提供了一套维护和可视化工具，用于协助调试和优化 LightRAG 实例。这些工具处理从缓存管理到 3D 知识图谱可视化等各种任务。

可视化

3D 可视化工具：一个使用 Sigma.js 和 ModernGL 的高性能查看器，用于探索大型知识图谱。
HTML/Neo4j 导出：将图谱结构导出到浏览器或专用图数据库中进行外部分析的工具。

维护工具

缓存迁移：migrate_llm_cache.py 将旧版缓存格式更新为大语言模型（LLM）响应缓存当前使用的扁平化键方案 lightrag/utils.py:10-15。
数据准备：prepare_qdrant_legacy_data.py 等脚本帮助在不同版本或后端之间迁移向量数据。
安全：hash_password.py 用于为 REST API 服务器生成安全凭证。

详情请参见开发者工具与实用程序。

---

使用示例

代码库包含大量示例，展示了与各种大语言模型（LLM）提供商、向量数据库以及高级智能体工作流的集成。

集成模式

大语言模型（LLM）提供商：针对 OpenAI、Azure、Ollama、Gemini 和 vLLM 的实现。
向量数据库：针对 Milvus、Qdrant、MongoDB Atlas 和 OpenSearch 的示例。
高级工作流：与 AG2 集成，用于多智能体检索增强生成（RAG）和自定义知识图谱插入逻辑。

详情请参见使用示例。

---

系统架构：评估与工具

下图说明了评估和工具层如何与核心 LightRAG 实体及外部服务交互。

评估与工具集成

graph TD
    subgraph "评估空间"
        [eval_rag_quality.py] --> |"请求"| [RAGEvaluator]
        [RAGEvaluator] --> |"包装"| [LangchainLLMWrapper]
        [RAGEvaluator] --> |"使用"| [sample_dataset.json]
    end

    subgraph "核心实体空间"
        [LightRAG_Class]
        [KVStorage]
        [GraphStorage]
    end

    subgraph "开发者工具"
        [lightrag_visualizer] --> |"读取"| [GraphStorage]
        [migrate_llm_cache.py] --> |"更新"| [KVStorage]
    end

    [RAGEvaluator] --> |"HTTP API"| [LightRAG_Server]
    [LightRAG_Server] --> [LightRAG_Class]

来源： lightrag/evaluation/eval_rag_quality.py:115-118、lightrag/evaluation/__init__.py:19-25、lightrag/evaluation/sample_dataset.json:1-5

自然语言到代码实体映射

此图将评估概念映射到评估过程中使用的具体代码实现和数据结构。

graph LR
    subgraph "自然语言概念"
        A["质量指标"]
        B["测试数据集"]
        C["真实答案"]
    end

    subgraph "代码实体空间"
        A1["ragas.metrics.Faithfulness"]
        A2["ragas.metrics.AnswerRelevancy"]
        B1["lightrag/evaluation/sample_dataset.json"]
        C1["test_cases[].ground_truth"]
    end

    A --- A1
    A --- A2
    B --- B1
    C --- C1

来源： lightrag/evaluation/eval_rag_quality.py:86-91、lightrag/evaluation/sample_dataset.json:3-6

---

关键文件汇总表

类别	文件路径	用途
评估	`lightrag/evaluation/eval_rag_quality.py`	RAGAS 指标评估的主要入口点。
评估	`lightrag/evaluation/sample_dataset.json`	用于测试的参考问题和真实答案。
工具	`lightrag/utils.py`	包含 `SanitizingJSONEncoder` 和基于优先级的异步装饰器。
示例	`examples/lightrag_openai_demo.py`	针对 OpenAI 的标准实现模板。
示例	`examples/lightrag_api_server_demo.py`	与 FastAPI 服务器交互的模板。

来源： lightrag/evaluation/eval_rag_quality.py:1-38、lightrag/evaluation/sample_dataset.json:1-34

--- 来源：

lightrag/evaluation/eval_rag_quality.py:1-180
lightrag/evaluation/sample_dataset.json:1-34
lightrag/evaluation/__init__.py:1-26
lightrag/evaluation/sample_documents/README.md:1-22