LightRAG, mejorando los resultados del RAG con en Docker

LightRAG: Generación Aumentada de Recuperación (RAG) simple y rápida, mediante un mecanismo de búsqueda hibrida que combina la búsqueda semántica basada en embeddings, una base de datos de vectores y la búsqueda por palabras clave.

Arquitectura de LightRAG

Requisitos previos

Tener instalado Docker (y opcionalmente Docker Compose).
Verifica:

docker --version
docker compose version   # (o `docker-compose --version` en instalaciones antiguas)

Descarga de la imagen docker y creámo el volumen para la persistencia de los datos:

docker volume create lightrag 
docker pull ghcr.io/hkuds/lightrag:latest

Levantar el servicio - Modelos OpenAI

Para activar el servicio invocaremos el siguiente comando:

docker run -d \
    --env=AUTH_ACCOUNTS=admin:kukenan,jose:oicicreje \
    --env=TOKEN_SECRET=BnzCYNwdMDtpoBWYnLv8 \
    --env=LIGHTRAG_API_KEY=APIKEY_LIGHTRAG  \
    --env=LLM_BINDING=openai \
    --env=LLM_BINDING_HOST=https://api.openai.com/v1 \
    --env=LLM_MODEL=gpt-4.1-nano \
    --env=LLM_BINDING_API_KEY=OPENAI_API_KEY  \
    --env=LLM_BINDING_API_KEY=APIKEY_OPENAI  \
    --env=OPENAI_LLM_MAX_TOKENS=9000  \
    --env=EMBEDDING_BINDING=openai  \
    --env=EMBEDDING_BINDING_HOST=https://api.openai.com/v1  \
    --env=EMBEDDING_MODEL=text-embedding-3-small  \
    --env=EMBEDDING_DIM=1536  \
    --env=EMBEDDING_BINDING_API_KEY=OPENAI_API_KEY  \
    --env=EMBEDDING_BINDING_API_KEY=APIKEY_OPENAI  \
    --env=MAX_ASYNC=12 \
    --env=MAX_PARALLEL_INSERT=3 \
    --env=EMBEDDING_FUNC_MAX_ASYNC=24 \
    --env=EMBEDDING_BATCH_NUM=100 \
    --env=LIGHTRAG_KV_STORAGE=JsonKVStorage  \
    --env=LIGHTRAG_DOC_STATUS_STORAGE=JsonDocStatusStorage  \
    --env=LIGHTRAG_GRAPH_STORAGE=NetworkXStorage  \
    --env=LIGHTRAG_VECTOR_STORAGE=NanoVectorDBStorage  \
    --env=SUMMARY_LANGUAGE=Spanish \
    --env=GPG_KEY=GPG_KEY  \
    --env=PYTHON_VERSION=3.12.11  \
    --env=PYTHON_SHA256=PYTHON_KEY  \
    --env=WORKING_DIR=/app/data/rag_storage  \
    --env=INPUT_DIR=/app/data/inputs  \
    --network=bridge  \
    --workdir=/app  \
    --name lightrag \
    -p 9621:9621  \
    -v lightrag_data:/app/data \
    --restart=no  \
    --runtime=runc  \
    ghcr.io/hkuds/lightrag:latest

Levantar el servicio - Modelos Locales

Para activar el servicio invocaremos el siguiente comando:

docker run -d \
    --env=AUTH_ACCOUNTS=admin:kukenan,jose:oicicreje \
    --env=TOKEN_SECRET=BnzCYNwdMDtpoBWYnLv8 \
    --env=LLM_BINDING=openai \
    --env=LLM_MODEL=gpt-4o-mini \
    --env=LLM_BINDING_API_KEY=OPENAI_API_KEY  \
    --env=LLM_BINDING_API_KEYAPIKEY_OPENAI  \
    --env=OPENAI_LLM_MAX_TOKENS=9000  \
    --env=LLM_BINDING_HOST=https://api.openai.com/v1 \
    --env=EMBEDDING_BINDING=openai  \
    --env=EMBEDDING_BINDING=openai  \
    --env=EMBEDDING_MODEL=text-embedding-3-small  \
    --env=EMBEDDING_DIM=1536  \
    --env=EMBEDDING_BINDING_HOST=https://api.openai.com/v1  \
    --env=EMBEDDING_BINDING_API_KEY=OPENAI_API_KEY  \
    --env=EMBEDDING_BINDING_API_KEY=APIKEY_OPENAI  \
    --env=LIGHTRAG_KV_STORAGE=JsonKVStorage  \
    --env=LIGHTRAG_DOC_STATUS_STORAGE=JsonDocStatusStorage  \
    --env=LIGHTRAG_GRAPH_STORAGE=NetworkXStorage  \
    --env=LIGHTRAG_VECTOR_STORAGE=NanoVectorDBStorage  \
    --env=SUMMARY_LANGUAGE=Spanish \
    --env=GPG_KEY=GPG_KEY  \
    --env=PYTHON_VERSION=3.12.11  \
    --env=PYTHON_SHA256=PYTHON_KEY  \
    --env=WORKING_DIR=/app/data/rag_storage  \
    --env=INPUT_DIR=/app/data/inputs  \
    --network=bridge  \
    --workdir=/app  \
    -p 9621:9621  \
    --restart=no  \
    --runtime=runc  \
    ghcr.io/hkuds/lightrag:latest

Interface de usuario (GUI)

Fuentes:

• HKUDS/LightRAG: “LightRAG: Simple and Fast Retrieval-Augmented Generation”
• Package lightrag
• Tutorial LightRAG: [Simple and Fast Alternative to GraphRAG for Legal Doc Analysis]((https://learnopencv.com/lightrag/)
• Make your AI Agents 10x Smarter with GraphRAG (n8n) de The AI Automators