LightRAG v1.2.5版本发布：知识图谱与RAG系统的重大升级

LightRAG是一个基于知识图谱的检索增强生成（RAG）系统，它通过将结构化知识与非结构化文档相结合，为大型语言模型提供更精准的知识支持。该系统支持多种数据库后端，包括Neo4j、PostgreSQL等，并提供了丰富的知识管理功能。

核心功能增强

本次v1.2.5版本带来了多项重要改进，主要集中在知识图谱管理和系统稳定性方面：

1. 实体合并功能：新增了实体合并功能，允许用户将多个相似实体合并为一个，解决了知识图谱中常见的实体冗余问题。这一功能不仅简化了知识图谱结构，还提高了后续检索的准确性。

2. 语言环境支持：系统现在支持通过环境变量配置摘要语言，使得多语言环境下的使用更加灵活。这一改进特别适合国际化团队使用不同语言进行知识管理。

3. 图查询优化：新增了最小度数过滤功能，用户可以在图查询中设置最小连接数阈值，有效过滤掉孤立节点，使查询结果更加聚焦于核心知识网络。

数据库兼容性提升

针对不同数据库后端的兼容性进行了显著改进：

• 补全了各类数据库对图操作的支持方法，确保知识图谱操作在不同数据库上的一致性
• 修复了PostgreSQL中获取所有标签和知识图谱的查询问题
• 改进了Neo4j实现，解决了Gunicorn环境下的存储初始化问题

系统稳定性改进

• 增强了任务处理和错误管理机制，提高了系统在复杂操作下的稳定性
• 修复了编辑实体名称时未正确更新向量数据库中关系的bug
• 改进了迭代提取算法，提高了知识提取的准确性和效率
• 修复了实体列表中的逗号错误问题

新特性与用户体验

• 增加了文档加载选项，支持更灵活的文件导入方式
• 改进了.env文件的加载逻辑，现在从当前文件夹而非脚本文件夹加载配置
• 为API服务器添加了LLM缓存控制环境变量，优化了响应速度
• 新增了用户认证功能，提高了系统安全性

技术架构优化

本次更新还对系统底层架构进行了多项优化：

1. 缓存机制：通过环境变量控制LLM缓存，用户可以根据硬件条件和性能需求灵活配置缓存策略。

2. 错误处理：重构了任务处理流程，引入了更完善的错误管理机制，确保系统在异常情况下能够优雅降级。

3. 初始化流程：解决了Gunicorn环境下Neo4j存储初始化的问题，提高了系统在分布式部署下的可靠性。

这些改进使得LightRAG在知识管理、查询效率和系统稳定性方面都有了显著提升，为构建更强大的知识驱动型AI应用提供了坚实基础。