# LightRAG 查询模式：用同一语料比较 local、global 与 mix 的关系链和证据

已用真实LightRAG构建local/global/mix三个QueryParam并设only_need_context；未建索引、运行检索或生成答案，九格结果保持未测。

## 运行

在本目录使用独立虚拟环境并安装requirements.txt；脚本结果写入results。

```sh
python reference/audit.py
python reference/run_sdk.py
```

fixtures是原创输入与故意失败样本；作者真值、离线合成provider和实际SDK记录各自标明，不是模型正确率。需要真实模型/账号/GPU的步骤按正文另行授权运行。

## 1. 固定三类问题与同一语料

L问局部人物设备关系，G问跨项目主题，M同时需要关系和原文。三种模式必须指向同一个六文档索引。

## 2. 建立九格比较计划

audit.py生成3问题×3模式的实验矩阵；retrieved_context与answer保持None表示未测，不用作者编好的答案填满表。

## 3. 构造当前QueryParam

分别创建mode=local/global/mix的QueryParam，记录top_k、上下文预算与rerank设置。其他参数固定，避免把模式与预算一起改。

## 4. 先保存真实检索上下文

在LightRAG查询时先看返回的实体、关系和原文片段；只有最终答案无法解释到底哪层检索发生变化。

## 5. 再单独记录模型生成

在有模型的授权环境保存每个格子的实际回答及引用。这里的None不是接口空答，是明确未执行占位。

## 6. 识别语料改变的假对比

negative把local与global放到不同语料，结果不能归因模式。任何索引更新都要重跑全部九格或另建实验。

## 7. 报告差异并保留失败

按局部关系、全局主题、图文混合三类逐题解释证据差异，不宣称mix必然最佳。本包只审计实验设计，没有检索或模型结果。

## 官方依据

- LightRAG 官方文档或源码：https://raw.githubusercontent.com/HKUDS/LightRAG/main/README.md