Was ist LightRAG?
LightRAG nutzt ein Sprachmodell, um Entitäten und Beziehungen aus Dokumenten in einen Knowledge Graph zu extrahieren, speichert sie neben Vektor-Embeddings und sucht auf zwei Ebenen: nach konkreten Entitäten (lokal) und nach übergreifenden Themen entlang von Beziehungsketten (global). Anders als Microsoft GraphRAG verzichtet es auf Community Reports, was LLM-Aufrufe spart.
Es hat fünf Abfragemodi, mit mix (Graph plus einfache Vektorsuche) als Standard. Neue Dokumente lassen sich ohne Neuaufbau hinzufügen, und Löschungen lösen eine gezielte Reparatur des Graphen aus. Der Speicher ist austauschbar; die Standards sind dateibasiert und nicht für die Produktion gedacht, und das Projekt empfiehlt PostgreSQL, das alle vier seiner Stores aufnehmen kann. Es liefert einen REST-Server mit Admin-Weboberfläche und enthält seit Mai 2026 RAG-Anything für multimodale Dokumente.
Die Methode wurde auf der EMNLP 2025 veröffentlicht.
Lohnt sich LightRAG?
LightRAG ist das Graph-RAG-Framework, das man zuerst ausprobieren sollte, weil es inkrementell aktualisiert, auf einfachem Postgres läuft und weit einfacher ist als Microsoft GraphRAG. Es hat rund 40.300 GitHub-Sterne, v1.5.7 erschien am 2. September 2026, und die Commits gingen bis in den Oktober weiter.
Die Einsparungen sind kleiner, als das Paper nahelegt. Die Indexierung lässt weiterhin über jeden Chunk einen LLM-Durchgang zur Entitätsextraktion laufen, wie GraphRAG; der Gewinn liegt im Verzicht auf Community Reports und in günstigen inkrementellen Updates. Die größere Überraschung sind die Abfragekosten. Die Angabe des Papers von weniger als 100 Tokens pro Abfrage zählt nur den Retrieval-Aufruf. Die Studie GraphRAG-Bench (Xiang et al.) maß im Schnitt 100.832 Prompt-Tokens pro Frage, die beim antwortenden Modell ankommen, gegenüber 879 bei Vektor-RAG, und Zhou et al. maßen mit Llama-3-8B 19,28 Sekunden pro MultihopQA-Frage gegenüber 2,35 Sekunden bei einfachem RAG.
Die Sicherheit braucht vor dem Deployment Arbeit. Der Server bindet an 0.0.0.0, mit allen Endpunkten öffentlich, solange du nicht LIGHTRAG_API_KEY oder AUTH_ACCOUNTS setzt, und die Ollama-kompatiblen /api-Routen bleiben selbst dann offen, wenn du WHITELIST_PATHS nicht änderst. GitHub listet für das Projekt 2026 23 Advisories, drei davon kritisch: eine Wildcard-CORS-Richtlinie mit Credentials, keine Ratenbegrenzung auf /login und eine Umgehung der Authentifizierung, ausgelöst durch bestimmte API-Präfixe. Die meisten übrigen sind Denial-of-Service-Fehler beim Parsen von Dokumenten, inzwischen gepatcht.
Graphen lohnen sich, wenn ein Evaluationsset Multi-Hop-Fragen oder Fragen über den ganzen Korpus zeigt, an denen hybride Suche scheitert, und jemand das Entitätsmodell verantwortet. Brauchen nur wenige echte Fragen das, ist ein Graph eine Kostenstelle. Wo einer gerechtfertigt ist, ist LightRAG auf einem einzelnen Postgres günstiger zu betreiben als die Batch-Neuaufbauten von GraphRAG.
Wo es sich lohnt
Die Leiterin des Wissensmanagements einer Kanzlei mit 300 Anwälten
Fragen beantworten, die Klauseln, Parteien und Mandate über Tausende Verträge hinweg verknüpfen
Indexiere mit einem günstigen Extraktionsmodell ohne Thinking und frage im mix-Modus auf Postgres ab. Lass dasselbe Fragenset zuerst gegen hybride Vektorsuche laufen; bei mehr als 100-mal so vielen Prompt-Tokens pro Frage in GraphRAG-Bench steigen die Input-Kosten des Antwortmodells entsprechend.
Ein Plattform-Engineer, der RAG für ein internes Wiki auf einem GPU-Server selbst hostet
Einen Knowledge Graph aktuell halten, während sich Seiten täglich ändern
Betreibe lightrag-server mit Docker Compose, Qwen3-30B-A3B-Instruct für die Extraktion und Postgres für alle vier Stores; neue Seiten werden ohne Neuaufbau eingefügt. Binde an 127.0.0.1 oder setze LIGHTRAG_API_KEY, bevor jemand anderes ihn erreichen kann.
Ein Research Engineer, der Graph-RAG-Frameworks vergleicht
Veröffentlichte Ergebnisse reproduzieren, bevor er sich auf eines festlegt
Das Repo enthält eine Reproduce-Anleitung und eine RAGAS-Evaluation. Rechne auf den eigenen Sets des Papers mit Ergebnissen nahe an GraphRAG; die Entscheidung hängt meist an den Update-Kosten und der Postgres-Unterstützung statt an der Genauigkeit.
Bevor du dich festlegst
- Einrichtung
- uv tool install "lightrag-hku[api]", env.example nach .env kopieren und LLM- sowie Embedding-Einstellungen eintragen, dann lightrag-server ausführen; oder docker compose up. Ein Einrichtungsassistent (make env-server) schreibt die .env.
- Integrationen
- OpenAI-kompatible Anbieter, Ollama und andere LLM-Anbieter je Rolle (Extraktion, Abfrage, Keywords, VLM); Speicher auf PostgreSQL, MongoDB, OpenSearch, Neo4j, Memgraph, Milvus und Qdrant; Parsing mit MinerU oder Docling; RAGAS-Evaluation und Tracing mit Langfuse; eine Ollama-kompatible Chat-API.
- Daten und Datenschutz
- Dokumente gehen an die LLM- und Embedding-Anbieter, die du konfigurierst. Der Server bindet standardmäßig an 0.0.0.0, ohne Authentifizierung. 23 GitHub-Advisories 2026, drei kritisch (CORS, Brute Force auf /login, Umgehung der Authentifizierung).
- Kosten im großen Maßstab
- MIT, keine bezahlte Edition. Die Indexierung bezahlt die LLM-Extraktion über den ganzen Korpus, und beim Antworten werden in GraphRAG-Bench rund 100.000 Prompt-Tokens pro Frage gesendet, gegenüber unter 1.000 bei Vektor-RAG; ein lokales Extraktionsmodell Qwen3-30B-A3B tauscht API-Ausgaben gegen GPU-Zeit.
- Grenzen
- 402 offene Issues und Pull Requests; die standardmäßigen Datei-Stores sind nicht für die Produktion gedacht; langsame Modelle (unter etwa 50 Tokens pro Sekunde) laufen bei der Extraktion in Timeouts; ein Wechsel des Embedding-Modells braucht lightrag-rebuild-vdb.
Was gut ist
- Inkrementelles Einfügen und Löschen ohne Neuaufbau
- Läuft in der Produktion auf einem einzelnen Postgres
- Günstiger zu pflegen als Microsoft GraphRAG
- Eingebauter Server, Weboberfläche und multimodales Parsing
Was nicht
- Der Kontext beim Antworten ist mehr als 100-mal so groß wie bei Vektor-RAG
- Der Server bindet standardmäßig an alle Interfaces, ohne Authentifizierung
- 23 Sicherheits-Advisories 2026, drei kritisch
- Ein Wechsel des Embedding-Modells heißt, die Vektoren neu aufzubauen
Am besten für
Teams, deren Evaluationen zeigen, dass Multi-Hop-Fragen mit hybrider Suche scheitern, und die einen Graphen auf Postgres wollen.
Alternativen zu LightRAG
LightRAG: häufige Fragen
- Lohnt sich LightRAG?
- Der vernünftige Weg, Graph-RAG auszuprobieren, günstiger zu pflegen als Microsoft GraphRAG, aber die meisten Teams sollten erst nachweisen, dass sie einen Graphen brauchen, bevor sie einen hinzufügen. Wir bewerten es mit 3.9 von 5.
- Was kostet LightRAG?
- Kostenlos und Open Source unter der MIT-Lizenz. Indexierung und Abfragen verbrauchen dein eigenes LLM- und Embedding-Guthaben.
- Welche Nachteile hat LightRAG?
- Der Kontext beim Antworten ist mehr als 100-mal so groß wie bei Vektor-RAG; Der Server bindet standardmäßig an alle Interfaces, ohne Authentifizierung; 23 Sicherheits-Advisories 2026, drei kritisch; Ein Wechsel des Embedding-Modells heißt, die Vektoren neu aufzubauen.
- Für wen eignet sich LightRAG?
- Teams, deren Evaluationen zeigen, dass Multi-Hop-Fragen mit hybrider Suche scheitern, und die einen Graphen auf Postgres wollen.
- Was kostet LightRAG für ein Team oder im Produktivbetrieb?
- MIT, keine bezahlte Edition. Die Indexierung bezahlt die LLM-Extraktion über den ganzen Korpus, und beim Antworten werden in GraphRAG-Bench rund 100.000 Prompt-Tokens pro Frage gesendet, gegenüber unter 1.000 bei Vektor-RAG; ein lokales Extraktionsmodell Qwen3-30B-A3B tauscht API-Ausgaben gegen GPU-Zeit.
- Ist LightRAG sicher für Firmendaten?
- Dokumente gehen an die LLM- und Embedding-Anbieter, die du konfigurierst. Der Server bindet standardmäßig an 0.0.0.0, ohne Authentifizierung. 23 GitHub-Advisories 2026, drei kritisch (CORS, Brute Force auf /login, Umgehung der Authentifizierung).
- Was sind die besten Alternativen zu LightRAG?
- Die nächsten Alternativen, die wir getestet haben, sind GraphRAG, Graphiti, Cognee, RAGFlow und LlamaIndex.
Antworten geprüft am 23. Okt. 2026.