9 · 术语表（Glossary）

评估, 工具, 与示例

评估、工具与示例

本节概述了核心引擎之外的 LightRAG 生态系统，重点介绍如何衡量系统质量、使用开发者工具以及实现各种用例。它弥合了核心检索增强生成（RAG）逻辑与实际部署需求之间的差距。

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

LightRAG · 评估与工具集成 · 图 1

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。

LightRAG · 自然语言到代码实体映射 · 图 2

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

关键文件汇总表

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