“RAG 的本质不是喂给模型更多字而是让模型学会分工。”“以前做 RAG 像是在教瞎子背书现在做 RAG 才算是配了眼镜和秘书。”LightRAG 发布了 v1.5.0rc2 版本。这是香港大学 HKU 的开源项目。我向来是不惮以最坏的恶意来推测开源大模型迭代的大抵不过是换个更大的底座或者多塞几个无关痛痒的功能继续割韭菜。然而这次看着 GitHub 上的 35.5k Stars 我横竖睡不着仔细看了半夜才从字缝里看出字来。满本都写着两个字——工程。数据背后大抵是 RAG 技术从 Demo 玩具向企业级工程迈进的分水岭。别再用大模型硬抗 RAG 了。 LightRAG1.5 的这次升级给 AI 工程化上了一堂生动的课。一、多模态 RAG 终于睁眼了以前的 RAG 大抵是个瞎子。你给它喂 PDF 喂 PPT 它只能把文字抠出来塞进向量库。遇到图表、公式、图片它直接抓瞎。要么直接丢弃导致上下文缺失要么强行 OCR 转文本结果表头对不上行公式全乱码。这就是 RAG 工程化里最大的痛点——图里的字大模型看不见。LightRAG1.5 干了件大事完全把 RagAnything 的多模态功能融合进来了。这意味着什么意味着图、表、公式不再需要翻译成文本的附庸而是直接纳入索引与问答。不仅如此文档处理管线全面升级支持接入 MinerU 和 Docling 服务连 Native DOCX 解析都自研了。它不再是看图说话而是真正地理解文档。工程启示多模态不是噱头是刚需。当你的客户问你为什么这个报表数据查不到时多模态 RAG 就是你的救命稻草。 LightRAG1.5 终于把图变成了数据而不是垃圾。二、角色分离从一把梭到管理学很多团队做 RAG 是一个大模型干所有活。又当爹又当妈既要负责提取实体又要负责召回还要负责生成答案顺便还得看懂图片。结果就是成本爆炸精度随缘。LightRAG1.5 搞了个角色化 LLM 配置 Role-Specific LLM Configuration 。它把任务拆解成了四个独立角色允许为每个角色配置不同的 LLM *EXTRACT 抽取用中等参数模型专干脏活累活。*QUERY 查询用大参数推理模型精准命中。*KEYWORDS 关键字用小参数高速模型做过滤。*VLM 视觉用视觉模型专看图表。术业有专攻。这哪里是技术升级这分明是管理学的胜利。用视觉模型看文档用大参数模型回答问题。工程启示很明确降本增效的秘诀不在于换更大的模型而在于分工。以前我们迷信一个大模型包打天下现在 LightRAG 告诉我们模块化才是王道。三、基建升级 Garbage In, Garbage OutRAG 界有句名言Garbage In, Garbage Out.解析质量决定了 RAG 的上限。 LightRAG1.5 在基建上动了不少刀子。1. 四种文本分块策略不再是死板的固定长度。支持 Fix 、 Recursive 、 Vector 、 Paragraph 四种策略。这意味着你可以根据不同的文档类型定制解析引擎和分块逻辑。2. 结构化抽取增强引入 JSON 格式输出保证实体提取的稳定性。引入ENTITY_TYPE_PROMPT_FILE允许定制化实体类型提取提示词。这意味着企业可以把私有的领域知识硬编码进提取流程。3. 任务感知嵌入原生支持 voyage-3 、 text-embedding-004 等非对称模型。检索的时候用检索的模型生成的时候用生成的模型。不再是一对一的死磕而是更匹配的策略。工程启示数据治理是 RAG 的基石。没有好的解析器再强的模型也是垃圾进垃圾出。 LightRAG1.5 明白这个道理所以它把地基打得更深了。四、结语从玩票到落地LightRAG v1.5.0rc2 的发布不仅仅是几个功能的叠加。它释放了一个信号开源 RAG 已经过了尝鲜的阶段开始真正解决企业级落地的难题。•多模态解决了看不见的问题。•角色分离解决了太贵和不准的问题。•解析升级解决了数据脏的问题。35.5k 的 Stars 说明大家都不傻。大家需要的不是一个能聊天的玩具而是一个能干活、能省钱、能看懂报表的工程系统。AI 工程化的未来是模块化、分工化、专业化。别再迷信一把梭了。大抵如此罢。学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
LightRAG1.5 发布：35.5k Stars 背后的真相，RAG 终于不再是玩具了
发布时间：2026/5/24 11:17:00
“RAG 的本质不是喂给模型更多字而是让模型学会分工。”“以前做 RAG 像是在教瞎子背书现在做 RAG 才算是配了眼镜和秘书。”LightRAG 发布了 v1.5.0rc2 版本。这是香港大学 HKU 的开源项目。我向来是不惮以最坏的恶意来推测开源大模型迭代的大抵不过是换个更大的底座或者多塞几个无关痛痒的功能继续割韭菜。然而这次看着 GitHub 上的 35.5k Stars 我横竖睡不着仔细看了半夜才从字缝里看出字来。满本都写着两个字——工程。数据背后大抵是 RAG 技术从 Demo 玩具向企业级工程迈进的分水岭。别再用大模型硬抗 RAG 了。 LightRAG1.5 的这次升级给 AI 工程化上了一堂生动的课。一、多模态 RAG 终于睁眼了以前的 RAG 大抵是个瞎子。你给它喂 PDF 喂 PPT 它只能把文字抠出来塞进向量库。遇到图表、公式、图片它直接抓瞎。要么直接丢弃导致上下文缺失要么强行 OCR 转文本结果表头对不上行公式全乱码。这就是 RAG 工程化里最大的痛点——图里的字大模型看不见。LightRAG1.5 干了件大事完全把 RagAnything 的多模态功能融合进来了。这意味着什么意味着图、表、公式不再需要翻译成文本的附庸而是直接纳入索引与问答。不仅如此文档处理管线全面升级支持接入 MinerU 和 Docling 服务连 Native DOCX 解析都自研了。它不再是看图说话而是真正地理解文档。工程启示多模态不是噱头是刚需。当你的客户问你为什么这个报表数据查不到时多模态 RAG 就是你的救命稻草。 LightRAG1.5 终于把图变成了数据而不是垃圾。二、角色分离从一把梭到管理学很多团队做 RAG 是一个大模型干所有活。又当爹又当妈既要负责提取实体又要负责召回还要负责生成答案顺便还得看懂图片。结果就是成本爆炸精度随缘。LightRAG1.5 搞了个角色化 LLM 配置 Role-Specific LLM Configuration 。它把任务拆解成了四个独立角色允许为每个角色配置不同的 LLM *EXTRACT 抽取用中等参数模型专干脏活累活。*QUERY 查询用大参数推理模型精准命中。*KEYWORDS 关键字用小参数高速模型做过滤。*VLM 视觉用视觉模型专看图表。术业有专攻。这哪里是技术升级这分明是管理学的胜利。用视觉模型看文档用大参数模型回答问题。工程启示很明确降本增效的秘诀不在于换更大的模型而在于分工。以前我们迷信一个大模型包打天下现在 LightRAG 告诉我们模块化才是王道。三、基建升级 Garbage In, Garbage OutRAG 界有句名言Garbage In, Garbage Out.解析质量决定了 RAG 的上限。 LightRAG1.5 在基建上动了不少刀子。1. 四种文本分块策略不再是死板的固定长度。支持 Fix 、 Recursive 、 Vector 、 Paragraph 四种策略。这意味着你可以根据不同的文档类型定制解析引擎和分块逻辑。2. 结构化抽取增强引入 JSON 格式输出保证实体提取的稳定性。引入ENTITY_TYPE_PROMPT_FILE允许定制化实体类型提取提示词。这意味着企业可以把私有的领域知识硬编码进提取流程。3. 任务感知嵌入原生支持 voyage-3 、 text-embedding-004 等非对称模型。检索的时候用检索的模型生成的时候用生成的模型。不再是一对一的死磕而是更匹配的策略。工程启示数据治理是 RAG 的基石。没有好的解析器再强的模型也是垃圾进垃圾出。 LightRAG1.5 明白这个道理所以它把地基打得更深了。四、结语从玩票到落地LightRAG v1.5.0rc2 的发布不仅仅是几个功能的叠加。它释放了一个信号开源 RAG 已经过了尝鲜的阶段开始真正解决企业级落地的难题。•多模态解决了看不见的问题。•角色分离解决了太贵和不准的问题。•解析升级解决了数据脏的问题。35.5k 的 Stars 说明大家都不傻。大家需要的不是一个能聊天的玩具而是一个能干活、能省钱、能看懂报表的工程系统。AI 工程化的未来是模块化、分工化、专业化。别再迷信一把梭了。大抵如此罢。学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
