¿Qué es LightRAG?
LightRAG usa un modelo de lenguaje para extraer entidades y relaciones de los documentos a un grafo de conocimiento, las guarda junto a embeddings vectoriales y recupera en dos niveles: entidades concretas (local) y temas más amplios siguiendo cadenas de relaciones (global). A diferencia de Microsoft GraphRAG, se salta los informes de comunidades, lo que reduce las llamadas al LLM.
Tiene cinco modos de consulta, con mix (grafo más búsqueda vectorial simple) por defecto. Se pueden añadir documentos nuevos sin reconstruir nada, y los borrados activan una reparación dirigida del grafo. El almacenamiento es intercambiable; los valores por defecto se basan en archivos y no son para producción, y el proyecto recomienda PostgreSQL, que puede albergar sus cuatro almacenes. Incluye un servidor REST con una interfaz web de administración y, desde mayo de 2026, RAG-Anything para documentos multimodales.
El método se publicó en EMNLP 2025.
¿Merece la pena LightRAG?
LightRAG es el framework de RAG con grafos que conviene probar primero, porque se actualiza de forma incremental, funciona sobre Postgres sin más y es mucho más sencillo que Microsoft GraphRAG. Tiene unas 40.300 estrellas en GitHub, y la v1.5.7 salió el 2 de septiembre de 2026 con commits que siguieron hasta octubre.
El ahorro es menor de lo que sugiere el artículo. La indexación sigue pasando un LLM de extracción de entidades por cada fragmento, igual que GraphRAG; la ganancia está en saltarse los informes de comunidades y en las actualizaciones incrementales baratas. El coste por consulta es la mayor sorpresa. La afirmación del artículo de menos de 100 tokens por consulta solo cuenta la llamada de recuperación; el estudio GraphRAG-Bench (Xiang et al.) midió una media de 100.832 tokens de prompt por pregunta enviados al modelo que responde, frente a 879 en el RAG vectorial, y Zhou et al. cronometraron 19,28 segundos por pregunta de MultihopQA frente a 2,35 segundos del RAG básico, con Llama-3-8B.
La seguridad necesita trabajo antes de desplegar. El servidor escucha en 0.0.0.0 con todos los endpoints públicos salvo que definas LIGHTRAG_API_KEY o AUTH_ACCOUNTS, y las rutas /api compatibles con Ollama siguen abiertas incluso entonces salvo que cambies WHITELIST_PATHS. GitHub recoge 23 avisos para el proyecto en 2026, tres de ellos críticos: una política CORS comodín con credenciales, la falta de límite de peticiones en /login y una forma de saltarse la autenticación activada por ciertos prefijos de API. La mayoría del resto son fallos de denegación de servicio en el análisis de documentos, ya corregidos.
Los grafos compensan cuando un conjunto de evaluación muestra preguntas de varios saltos o sobre todo el corpus en las que falla la búsqueda híbrida y alguien se hace cargo del modelo de entidades. Si pocas preguntas reales lo necesitan, un grafo es un centro de coste. Cuando está justificado, LightRAG sobre un único Postgres es más barato de operar que las reconstrucciones por lotes de GraphRAG.
Dónde se gana su sitio
Una responsable de gestión del conocimiento en un despacho de 300 abogados
Responder preguntas que relacionan cláusulas, partes y asuntos a lo largo de miles de contratos
Indexar con un modelo de extracción barato sin razonamiento y consultar en modo mix sobre Postgres. Probar antes el mismo conjunto de preguntas con búsqueda vectorial híbrida; con más de 100 veces los tokens de prompt por pregunta en GraphRAG-Bench, el coste de entrada del modelo que responde crece en proporción.
Un ingeniero de plataforma que autoaloja RAG para una wiki interna en un único servidor con GPU
Mantener al día un grafo de conocimiento mientras las páginas cambian cada día
Ejecutar lightrag-server con Docker Compose, Qwen3-30B-A3B-Instruct para la extracción y Postgres para los cuatro almacenes; las páginas nuevas se insertan sin reconstruir. Escucha en 127.0.0.1 o define LIGHTRAG_API_KEY antes de que nadie más pueda acceder.
Un ingeniero de investigación que compara frameworks de RAG con grafos
Reproducir los resultados publicados antes de comprometerse con uno
El repositorio incluye una guía Reproduce y evaluación con RAGAS. Cabe esperar resultados cercanos a GraphRAG en los conjuntos del propio artículo; la decisión suele depender del coste de actualización y del soporte de Postgres más que de la precisión.
Antes de decidirte
- Puesta en marcha
- uv tool install "lightrag-hku[api]", copiar env.example a .env con los ajustes del LLM y de embeddings y ejecutar lightrag-server; o docker compose up. Un asistente de configuración (make env-server) escribe el .env.
- Integraciones
- Proveedores de LLM compatibles con OpenAI, Ollama y otros por función (extract, query, keywords, VLM); almacenamiento en PostgreSQL, MongoDB, OpenSearch, Neo4j, Memgraph, Milvus y Qdrant; análisis con MinerU o Docling; evaluación con RAGAS y trazas con Langfuse; una API de chat compatible con Ollama.
- Datos y privacidad
- Los documentos van a los proveedores de LLM y embeddings que configures. El servidor escucha en 0.0.0.0 sin autenticación por defecto. 23 avisos en GitHub en 2026, tres críticos (CORS, fuerza bruta en /login, salto de autenticación).
- Coste a escala
- MIT, sin edición de pago. La indexación paga la extracción con LLM sobre todo el corpus, y responder envía unos 100.000 tokens de prompt por pregunta en GraphRAG-Bench frente a menos de 1.000 en el RAG vectorial; un modelo de extracción local Qwen3-30B-A3B cambia gasto en API por tiempo de GPU.
- Límites
- 402 incidencias y pull requests abiertas; los almacenes por defecto en archivos no son para producción; los modelos lentos (por debajo de unos 50 tokens por segundo) provocan timeouts en la extracción; cambiar de modelo de embeddings requiere lightrag-rebuild-vdb.
Lo bueno
- Inserciones y borrados incrementales sin reconstruir
- Funciona sobre un único Postgres en producción
- Más barato de mantener que Microsoft GraphRAG
- Servidor, interfaz web y análisis multimodal incluidos
Lo malo
- El contexto al responder es más de 100 veces el del RAG vectorial
- El servidor escucha en todas las interfaces sin autenticación por defecto
- 23 avisos de seguridad en 2026, tres críticos
- Cambiar el modelo de embeddings obliga a reconstruir los vectores
Ideal para
Equipos cuyas evaluaciones muestran que las preguntas de varios saltos fallan con búsqueda híbrida y que quieren un grafo sobre Postgres.
Alternativas a LightRAG
LightRAG: preguntas frecuentes
- ¿Merece la pena LightRAG?
- La forma sensata de probar el RAG con grafos, más barata de mantener que Microsoft GraphRAG, aunque la mayoría de los equipos deberían demostrar que necesitan un grafo antes de añadirlo. Le damos un 3.9 sobre 5.
- ¿Cuánto cuesta LightRAG?
- Gratuito y de código abierto bajo licencia MIT. La indexación y las consultas usan tus propios créditos de LLM y de embeddings.
- ¿Qué inconvenientes tiene LightRAG?
- El contexto al responder es más de 100 veces el del RAG vectorial; el servidor escucha en todas las interfaces sin autenticación por defecto; 23 avisos de seguridad en 2026, tres críticos; cambiar el modelo de embeddings obliga a reconstruir los vectores.
- ¿Para quién es LightRAG?
- Equipos cuyas evaluaciones muestran que las preguntas de varios saltos fallan con búsqueda híbrida y que quieren un grafo sobre Postgres.
- ¿Cuánto cuesta LightRAG para un equipo o en producción?
- MIT, sin edición de pago. La indexación paga la extracción con LLM sobre todo el corpus, y responder envía unos 100.000 tokens de prompt por pregunta en GraphRAG-Bench frente a menos de 1.000 en el RAG vectorial; un modelo de extracción local Qwen3-30B-A3B cambia gasto en API por tiempo de GPU.
- ¿Es LightRAG seguro para los datos de la empresa?
- Los documentos van a los proveedores de LLM y embeddings que configures. El servidor escucha en 0.0.0.0 sin autenticación por defecto. 23 avisos en GitHub en 2026, tres críticos (CORS, fuerza bruta en /login, salto de autenticación).
- ¿Cuáles son las mejores alternativas a LightRAG?
- Las alternativas más cercanas que hemos analizado son GraphRAG, Graphiti, Cognee, RAGFlow y LlamaIndex.
Respuestas comprobadas el 23 oct 2026.