mcp-lightrag

MCP server ที่ช่วยให้ AI agent ที่รองรับ MCP เช่น Hermes ถามตอบ เพิ่ม ดูรายการ และลบเอกสารในคลังความรู้ LightRAG ได้โดยตรง ทำงานบน Docker ในโหมด streamable HTTP โดย agent ไม่ต้องรู้ API key ของ LightRAG

ผู้พัฒนา: Chacharin Lertyosbordin

โปรเจกต์นี้เป็นตัวกลางระหว่าง agent กับ LightRAG server เท่านั้น ไม่ได้รวม LightRAG มาด้วย LightRAG พัฒนาโดย HKUDS ภายใต้สัญญาอนุญาต MIT และโปรเจกต์นี้ไม่ใช่ผลงานทางการของทีม LightRAG

เครื่องมือที่มีให้

เครื่องมือที่ปิดไว้จะไม่แสดงให้ agent เห็นเลย agent จึงเรียกใช้ไม่ได้

Related MCP server: Logseq AI

หลักการทำงาน

agent ──POST /mcp──▶ mcp-lightrag (container)
                       ① ตรวจ token หากกำหนด MCP_AUTH_TOKEN ไว้
                       ② ส่งคำขอไปยัง LightRAG พร้อม LIGHTRAG_API_KEY
                     ◀── ส่งผลลัพธ์กลับไปยัง agent

LightRAG ใช้ LLM สรุปคำตอบทุกครั้งที่ถาม และใช้ LLM สกัดเอนทิตีกับความสัมพันธ์ทุกครั้งที่เพิ่มเอกสาร ค่าใช้จ่ายจึงขึ้นอยู่กับ LLM ที่ตั้งไว้ใน LightRAG server ส่วน mcp-lightrag ไม่เก็บสถานะการทำงาน ไม่มีฐานข้อมูล และไม่ต้อง mount โฟลเดอร์ใด ๆ

เริ่มต้นใช้งาน

สิ่งที่ต้องเตรียม

• Docker (Docker Desktop หรือ Docker Engine)

• LightRAG server ที่ทำงานอยู่แล้ว (วิธีติดตั้ง) และอยู่ใน docker network เดียวกับ agent

• API key ของ LightRAG คือค่า LIGHTRAG_API_KEY ที่ตั้งไว้ใน LightRAG server ซึ่งจำเป็นต้องมี หาก LightRAG ยังไม่ได้ตั้ง key ให้ตั้งที่ LightRAG ก่อน (ดูหัวข้อความปลอดภัย)

ขั้นตอนการติดตั้ง

git clone https://github.com/chacharin/mcp-lightrag.git
cd mcp-lightrag
cp .env.example .env                  # จากนั้นใส่ LIGHTRAG_URL และ LIGHTRAG_API_KEY ในไฟล์ .env
docker network create agent_network   # สร้างครั้งแรกครั้งเดียว หากต้องการใช้ชื่ออื่นให้กำหนดใน DOCKER_NETWORK
docker network connect agent_network <ชื่อ container ของ LightRAG>   # หาก LightRAG ยังไม่อยู่ใน network นี้
docker compose up -d --build
curl http://127.0.0.1:8806/health

หาก /health ตอบ "ok": true แปลว่าเชื่อมต่อ LightRAG ได้และ LightRAG ยอมรับ key แล้ว หากยังมีปัญหา ให้ดูรายการ problems ซึ่งจะบอกสาเหตุ เช่น ยังใช้ key ตัวอย่างจาก .env.example หรือเชื่อมต่อ LIGHTRAG_URL ไม่ได้

คำอธิบายการตั้งค่าทั้งหมดอยู่ในไฟล์ .env.example โดยในไฟล์ .env ให้กำหนดเฉพาะค่าที่จำเป็น และค่าที่ต้องการเปลี่ยนจากค่าเริ่มต้น เมื่อแก้ไข .env แล้ว ให้สั่ง docker compose up -d อีกครั้ง โดยไม่ต้อง build ใหม่

การเชื่อมต่อกับ MCP client

ตัวอย่างการตั้งค่าใน Hermes (config.yaml):

mcp_servers:
  lightrag:
    url: http://mcp-lightrag:8700/mcp
    timeout: 180        # ควรนานกว่า QUERY_TIMEOUT_SECONDS (ค่าเริ่มต้น 120 วินาที)

หากกำหนด MCP_AUTH_TOKEN ไว้ ให้เพิ่ม header Authorization: Bearer <token> ในการตั้งค่าของ client ด้วย สำหรับ client ที่อยู่นอก docker network ให้ใช้ http://<IP ของเครื่อง>:8806/mcp

วิธีใช้งาน

เมื่อเชื่อมต่อแล้ว ผู้ใช้เพียงพิมพ์สั่ง agent ด้วยภาษาปกติ agent จะเลือกเครื่องมือและกรอกค่าให้เอง หัวข้อนี้อธิบายว่าแต่ละงานควรสั่งอย่างไร และเครื่องมือรับค่าอะไรบ้าง

1. ถามตอบจากคลังความรู้

ตัวอย่างคำสั่ง:

ค้นจากคลังความรู้ว่ามีรายงานเรื่องการใช้ VRAM ของ LLM ว่าอย่างไรบ้าง สรุปภาพรวมของเอกสารทั้งหมดในคลังความรู้

agent จะเรียก lightrag_query

วิธีค้นหาแต่ละแบบเหมาะกับคำถามต่างกัน

คำตอบเป็นข้อความที่ LightRAG สรุปจากเอกสารในคลัง และระบุชื่อเอกสารที่ใช้อ้างอิงไว้ท้ายข้อความ เช่น

… VRAM ขั้นต่ำประมาณ 5-6 GB สำหรับโมเดลขนาด 7B แบบ INT4 …

### References
- [1] report_VRAM_LLM_local_17-10-2026

หาก LightRAG ตอบว่าไม่พบข้อมูลที่เกี่ยวข้อง แปลว่าในคลังไม่มีเนื้อหาที่ตรงกับคำถาม แต่หากทุกคำถามได้คำตอบนี้ ให้ตรวจ log ของ LightRAG เพราะอาจเกิดจาก embedding model ใช้งานไม่ได้ เช่น โควตาของผู้ให้บริการหมด

2. เพิ่มเอกสารเข้าคลัง

ตัวอย่างคำสั่ง:

เก็บรายงานนี้เข้าคลังความรู้ โดยตั้งชื่อว่า monthly-report-2026-10 สรุปข่าวเมื่อสักครู่ แล้วเพิ่มสรุปนั้นเข้าคลังความรู้

agent จะเรียก lightrag_insert

ระบบจะแทนช่องว่างและอักขระที่ใช้ในชื่อไฟล์ไม่ได้ (เช่น / : ?) ด้วย - และตัดชื่อให้ยาวไม่เกิน 80 ตัวอักษร ส่วนอักษรภาษาไทยคงไว้ตามเดิม ผลลัพธ์ที่ได้กลับมาจะมีชื่อที่ระบบใช้จริงอยู่ใน file_source

LightRAG จะรับเอกสารทันที แล้วจึงสกัดเอนทิตีและความสัมพันธ์ในเบื้องหลัง ซึ่งอาจใช้เวลาตั้งแต่หลายวินาทีถึงหลายนาที ขึ้นกับความยาวของเอกสาร ระหว่างนั้นเอกสารยังค้นหาไม่ได้ ตรวจได้ว่าประมวลผลเสร็จแล้วหรือยังด้วย lightrag_list_documents (สถานะ processed = พร้อมค้นหา)

เครื่องมือนี้รับเฉพาะข้อความ หากต้องการเพิ่มไฟล์ PDF, Word หรือไฟล์อื่น ให้อัปโหลดผ่าน WebUI ของ LightRAG

3. ดูรายการเอกสารในคลัง

ตัวอย่างคำสั่ง:

ตอนนี้ในคลังความรู้มีเอกสารอะไรบ้าง รายงานที่เพิ่งเพิ่มเข้าไป ประมวลผลเสร็จหรือยัง มีเอกสารไหนที่ประมวลผลไม่สำเร็จบ้าง

agent จะเรียก lightrag_list_documents

เอกสารเรียงจากใหม่ไปเก่า แต่ละรายการมีรหัส ชื่อ สถานะ วันที่เพิ่ม จำนวนตัวอักษร และเนื้อหาโดยย่อ เอกสารที่ประมวลผลไม่สำเร็จจะมี error บอกสาเหตุ (ดูตัวอย่างได้ที่รูปแบบ JSON)

4. ลบเอกสารออกจากคลัง

เครื่องมือนี้ปิดไว้เป็นค่าเริ่มต้น เพราะเอกสารที่ลบแล้ว รวมทั้งเอนทิตีและความสัมพันธ์ที่สกัดจากเอกสารนั้น จะกู้คืนไม่ได้ หากต้องการให้ agent ลบเอกสารได้ ให้เพิ่ม ENABLE_DELETE=true ในไฟล์ .env แล้วสั่ง docker compose up -d และรีสตาร์ต agent เพื่อให้ agent เห็นเครื่องมือใหม่

ตัวอย่างคำสั่ง:

ลบเอกสาร bbc-news-summary-18-10-2026 ออกจากคลังความรู้ ลบเอกสารทุกฉบับที่ประมวลผลไม่สำเร็จ

agent จะเรียก lightrag_delete โดยคำอธิบายของเครื่องมือกำหนดให้ agent ยืนยันชื่อเอกสารกับผู้ใช้ก่อนลบทุกครั้ง

• หากระบุเป็นชื่อ ระบบจะค้นหารหัสของเอกสารให้ แต่หากมีหลายเอกสารใช้ชื่อเดียวกัน ระบบจะไม่ลบและแจ้งรหัสทั้งหมดกลับมา เพื่อให้ระบุเป็นรหัสแทน

• ชื่อหรือรหัสที่ไม่พบจะแสดงใน not_deleted พร้อมเหตุผล

• สถานะ deletion_started แปลว่า LightRAG เริ่มลบในเบื้องหลังแล้ว

• สถานะ busy แปลว่า LightRAG กำลังประมวลผลเอกสารอื่นอยู่ จึงยังไม่ได้ลบ ให้ลองใหม่ภายหลัง

การลบโดยไม่ผ่าน agent แม้ปิด lightrag_delete ไว้ ผู้ดูแลระบบยังลบเอกสารได้เสมอจาก WebUI ของ LightRAG ที่ http://<เครื่องที่รัน LightRAG>:9621/webui แท็บ Documents (9621 คือพอร์ตเริ่มต้นของ LightRAG หากเปิดพอร์ตอื่นไว้ ให้เปลี่ยนตามนั้น) หรือเรียก API ของ LightRAG โดยตรง:

curl -X DELETE http://localhost:9621/documents/delete_document \
  -H "X-API-Key: <LIGHTRAG_API_KEY>" -H "Content-Type: application/json" \
  -d '{"doc_ids": ["doc-9db02b2c…"]}'

รูปแบบ JSON ของคำขอและผลลัพธ์

mcp-lightrag มี 4 route

การส่งคำขอไปที่ /mcp

ทุกคำขอต้องมี header สองตัวนี้ (และ Authorization: Bearer <token> หากกำหนด MCP_AUTH_TOKEN)

Content-Type: application/json
Accept: application/json, text/event-stream

ผลลัพธ์จะส่งกลับในรูปแบบ Server-Sent Events คือมีบรรทัด event: message แล้วตามด้วย data: <JSON> ตัวอย่างต่อไปนี้แสดงเฉพาะส่วน JSON และจัดบรรทัดใหม่ให้อ่านง่าย

ผลลัพธ์ของทุกเครื่องมืออยู่ใน result.content[0].text เป็นข้อความ สำหรับ lightrag_list_documents lightrag_insert และ lightrag_delete ข้อความนั้นเป็น JSON ตัวอย่างด้านล่างจึงแสดงค่า text ในรูป JSON ที่แปลงกลับแล้ว เพื่อให้อ่านง่าย

ดูรายการเครื่องมือ (tools/list)

คำขอ:

{"jsonrpc": "2.0", "id": 1, "method": "tools/list"}

ผลลัพธ์ (ย่อ):

{"jsonrpc": "2.0", "id": 1, "result": {"tools": [
  {
    "name": "lightrag_query",
    "description": "ค้นหาและสรุปคำตอบจากคลังความรู้ LightRAG …",
    "inputSchema": {
      "type": "object",
      "properties": {
        "query": {"type": "string", "description": "คำถามหรือหัวข้อที่ต้องการค้นหาในคลังความรู้"},
        "mode":  {"type": "string", "default": "hybrid", "enum": ["mix", "hybrid", "local", "global", "naive"]}
      },
      "required": ["query"]
    },
    "annotations": {"readOnlyHint": true, "openWorldHint": false}
  },
  {"name": "lightrag_list_documents", "…": "…"},
  {"name": "lightrag_insert", "…": "…"}
]}}

ถามตอบ (lightrag_query)

คำขอ:

{"jsonrpc": "2.0", "id": 2, "method": "tools/call", "params": {
  "name": "lightrag_query",
  "arguments": {"query": "VRAM ที่ต้องใช้สำหรับ LLM ขนาด 7B", "mode": "mix"}
}}

ผลลัพธ์ (คำตอบเป็นข้อความ Markdown):

{"jsonrpc": "2.0", "id": 2, "result": {"isError": false, "content": [{"type": "text",
  "text": "… VRAM ขั้นต่ำประมาณ 5-6 GB …\n\n### References\n- [1] report_VRAM_LLM_local_17-10-2026"}]}}

เพิ่มเอกสาร (lightrag_insert)

คำขอ:

{"jsonrpc": "2.0", "id": 3, "method": "tools/call", "params": {
  "name": "lightrag_insert",
  "arguments": {"text": "# รายงานประจำเดือน\nยอดขายเดือนตุลาคม …", "description": "monthly report 2026-10"}
}}

ค่า text ในผลลัพธ์:

{
  "status": "success",
  "message": "Text successfully received. Processing will continue in background.",
  "track_id": "insert_20261019_100002_9ab1390f",
  "file_source": "monthly-report-2026-10"
}

file_source คือชื่อเอกสารที่บันทึกจริง ซึ่งใช้ระบุเอกสารนี้ตอนลบได้

ดูรายการเอกสาร (lightrag_list_documents)

คำขอ:

{"jsonrpc": "2.0", "id": 4, "method": "tools/call", "params": {
  "name": "lightrag_list_documents",
  "arguments": {"page": 1, "page_size": 20, "status": ""}
}}

ค่า text ในผลลัพธ์:

{
  "pagination": {"page": 1, "page_size": 20, "total_count": 3, "total_pages": 1, "has_next": false, "has_prev": false},
  "status_counts": {"processed": 3, "all": 3},
  "documents": [
    {"id": "doc-9db02b2c032a71553ba9edc00386e506", "name": "bbc-news-summary-18-10-2026", "status": "processed",
     "created_at": "2026-10-18T04:33:14", "characters": 456,
     "summary": "# BBC News Summary - 18-10-2026 1. California Wildfires: …"}
  ]
}

เอกสารที่ประมวลผลไม่สำเร็จจะมี "error": "<สาเหตุ>" เพิ่มเข้ามา

ลบเอกสาร (lightrag_delete, ต้องเปิด ENABLE_DELETE=true)

คำขอ (ระบุเป็นชื่อหรือรหัสก็ได้):

{"jsonrpc": "2.0", "id": 5, "method": "tools/call", "params": {
  "name": "lightrag_delete",
  "arguments": {"documents": ["monthly-report-2026-10", "doc-9db02b2c032a71553ba9edc00386e506"]}
}}

ค่า text ในผลลัพธ์:

{
  "lightrag": {"status": "deletion_started", "message": "Document deletion for 2 documents has been initiated. …",
               "doc_id": "doc-b2478b58…, doc-9db02b2c…"},
  "requested": {"monthly-report-2026-10": "doc-b2478b58…", "doc-9db02b2c032a71553ba9edc00386e506": "doc-9db02b2c…"},
  "not_deleted": {}
}

หากชื่อใดหาไม่พบหรือซ้ำกัน ชื่อนั้นจะอยู่ใน not_deleted พร้อมเหตุผล เช่น {"twin": "2 documents share this name - delete by id: doc-ccc, doc-ddd"}

ข้อผิดพลาด

ตรวจสถานะ (GET /health)

{
  "ok": true,
  "lightrag_url": "http://lightrag:9621",
  "key_configured": true,
  "lightrag": {"reachable": true, "key_accepted": true, "http_status": 200},
  "modes": ["mix", "hybrid", "local", "global", "naive"],
  "default_mode": "hybrid",
  "insert_enabled": true,
  "delete_enabled": false,
  "auth": false,
  "usage_log": {"enabled": true, "dir": "/app/usage", "writable": true, "last_error": null},
  "meter": {"enabled": true, "upstream": "https://openrouter.ai/api/v1"},
  "problems": []
}

เมื่อมีปัญหา ok จะเป็น false และ problems จะบอกสาเหตุพร้อมวิธีแก้ เช่น "LightRAG refused LIGHTRAG_API_KEY - it must match LIGHTRAG_API_KEY of the LightRAG server"

ข้อมูลการใช้งาน (GET /usage) และมิเตอร์

ระบบบันทึกการเรียกเครื่องมือทุกครั้งลงไฟล์ usage-<วันที่>.jsonl ใน docker volume usage เพื่อใช้วิจัยและปรับประสิทธิภาพ ระเบียนมีเฉพาะเวลา ขนาด และจำนวน ไม่มีคำถาม คำตอบ หรือเนื้อหาเอกสาร

LightRAG ไม่รายงาน token ของ LLM ที่ตัวเองเรียก ทั้งที่คำถามหนึ่งข้อมักเรียก LLM 2 ครั้ง (สกัดคำสำคัญและเขียนคำตอบ) และ embedding 1 ครั้ง และการเพิ่มเอกสารเรียก LLM อีกหลายครั้งเพื่อสกัดเอนทิตี หากต้องการนับ token เหล่านี้ ให้เปิดมิเตอร์ ซึ่งเป็นทางผ่านให้ LightRAG เรียกผู้ให้บริการผ่าน mcp-lightrag

1. ในไฟล์ .env ของ mcp-lightrag กำหนด endpoint จริงของผู้ให้บริการ แล้วสั่ง docker compose up -d

   METER_UPSTREAM=https://openrouter.ai/api/v1

2. ในไฟล์ .env ของ LightRAG server เปลี่ยนที่อยู่ของ LLM และ embedding ให้ชี้มาที่มิเตอร์ แล้วรีสตาร์ต LightRAG

   LLM_BINDING_HOST=http://mcp-lightrag:8700/meter
   EMBEDDING_BINDING_HOST=http://mcp-lightrag:8700/meter

มิเตอร์ส่งทุกคำขอต่อไปยัง METER_UPSTREAM โดยไม่แก้ไขอะไร และใช้ API key ของ LightRAG เอง (mcp-lightrag ไม่เก็บ key นี้) มิเตอร์เรียกได้เฉพาะ METER_UPSTREAM จึงไม่ใช่ proxy เปิดที่ใครก็ใช้ได้ ข้อควรรู้คือเมื่อเปิดมิเตอร์ LightRAG จะเรียก LLM ได้เฉพาะตอนที่ mcp-lightrag ทำงานอยู่ หากต้องการเลิกใช้ ให้เปลี่ยน LLM_BINDING_HOST และ EMBEDDING_BINDING_HOST กลับเป็นที่อยู่เดิมของผู้ให้บริการ

ผลลัพธ์ของ GET /usage (ย่อ) หลังถามหนึ่งข้อขณะเปิดมิเตอร์:

{
  "schema": "harness-usage/1",
  "environment": {"component": "mcp-lightrag", "version": "0.4.0", "host": "8b1c…", "cpu_count": 20, "mem_total_mb": 11816, "…": "…"},
  "records": [
    {"component": "lightrag", "kind": "llm_call", "tool": "lightrag-server", "model": "google/gemma-4-31b-it",
     "duration_s": 3.425, "input_tokens": 691, "output_tokens": 34, "cost_usd": 8.066e-05, "status": "ok",
     "detail": {"via": "meter", "http_status": 200, "request_chars": 2817, "response_chars": 913, "stream": false}},
    {"component": "lightrag", "kind": "embedding_call", "model": "Qwen/Qwen3-Embedding-8B", "duration_s": 2.305,
     "input_tokens": 20, "output_tokens": 0, "cost_usd": 2e-07, "detail": {"via": "meter", "inputs": 1, "…": "…"}},
    {"component": "lightrag", "kind": "llm_call", "duration_s": 10.209, "input_tokens": 4685, "output_tokens": 604,
     "cost_usd": 0.00067386, "status": "ok"},
    {"component": "mcp-lightrag", "kind": "mcp_tool", "tool": "lightrag_query", "duration_s": 16.583, "status": "ok",
     "detail": {"mode": "mix", "query_chars": 23, "result_chars": 2210}}
  ]
}

• component mcp-lightrag คือการเรียกเครื่องมือของ agent ส่วน lightrag คือการเรียก LLM และ embedding ของ LightRAG server ผ่านมิเตอร์

• การเรียกของ LightRAG ที่เกิดระหว่างการเรียกเครื่องมือหนึ่งครั้ง (ช่วงเวลาซ้อนกัน) คือส่วนหนึ่งของคำถามนั้น ส่วนที่เกิดภายหลัง เช่น การสร้างดัชนีหลัง lightrag_insert คืองานเบื้องหลัง

• LightRAG ตอบจาก cache ได้ (llm_response_cache) คำถามที่เคยถามแล้วจึงอาจไม่มีการเรียก LLM เลย

• ชื่อช่องข้อมูลเป็นแบบเดียวกับ plugin usage-telemetry ของ osint-harness-profile และ MCP ตัวอื่นของชุดนี้

ทดลองด้วย curl

curl http://127.0.0.1:8806/mcp \
  -H "Content-Type: application/json" -H "Accept: application/json, text/event-stream" \
  -d '{"jsonrpc":"2.0","id":1,"method":"tools/call","params":{"name":"lightrag_query","arguments":{"query":"สรุปเอกสารในคลัง","mode":"hybrid"}}}'

บน Windows คำสั่ง curl อาจส่งภาษาไทยที่พิมพ์ในบรรทัดคำสั่งผิดเพี้ยนเป็น ? ให้บันทึก JSON ของคำขอเป็นไฟล์ UTF-8 เช่น request.json แล้วส่งด้วย -d @request.json แทน

การปรับให้เหมาะกับคลังของคุณ

ค่าต่อไปนี้เป็นตัวแปรในไฟล์ .env ซึ่งไม่จำเป็นต้องกำหนด หากไม่กำหนด ระบบจะใช้ค่าเริ่มต้น เมื่อต้องการปรับ ให้เพิ่มบรรทัด ชื่อตัวแปร=ค่า ลงในไฟล์ .env แล้วสั่ง docker compose up -d (คำอธิบายและค่าเริ่มต้นของทุกตัวแปรดูได้ใน .env.example)

• KB_DESCRIPTION อธิบายสั้น ๆ ว่าคลังเก็บเอกสารเรื่องอะไร เช่น คู่มือและนโยบายภายในของบริษัท ระบบจะใส่ข้อความนี้ในคำอธิบายเครื่องมือ เพื่อให้ agent ตัดสินใจได้ว่าคำถามใดควรค้นจากคลังนี้

• QUERY_MODES และ DEFAULT_MODE กำหนดวิธีค้นหาที่ให้ agent เลือก และวิธีที่ใช้เมื่อ agent ไม่ได้ระบุ

• QUERY_EXTRA_PARAMS ส่งค่าอื่นของ LightRAG ไปกับทุกการค้นหา เช่น {"top_k": 40, "response_type": "Bullet Points"}

• ENABLE_INSERT และ ENABLE_DELETE กำหนดว่า agent เพิ่มหรือลบเอกสารได้หรือไม่

• USAGE_LOG, USAGE_DIR และ METER_UPSTREAM การบันทึกข้อมูลการใช้งาน และมิเตอร์สำหรับนับ token ของ LightRAG

ความปลอดภัย

ระบบนี้มีจุดที่ต้องป้องกัน 2 ชั้น

1. mcp-lightrag → LightRAG ใช้ LIGHTRAG_API_KEY ซึ่งจำเป็นต้องกำหนด หากเว้นว่าง ระบบจะไม่เริ่มทำงาน เพราะ LightRAG ที่ไม่มี key จะให้ทุกคนที่เข้าถึงพอร์ตของ LightRAG อ่าน เพิ่ม และลบเอกสารได้โดยตรง ควรใช้ key ที่สุ่มและยาวอย่างน้อย 32 ตัวอักษร ไม่ใช่ค่าที่เดาง่าย เช่น 1234 สร้างได้ด้วยคำสั่ง python -c "import secrets; print(secrets.token_urlsafe(32))" แล้วใส่ค่าเดียวกันทั้งใน LightRAG server และในไฟล์ .env ของ mcp-lightrag

2. agent หรือเครื่องอื่น → mcp-lightrag (พอร์ต 8806) ผู้ที่เรียกผ่านพอร์ตนี้ได้จะใช้คลังความรู้ได้โดยไม่ต้องรู้ key ของ LightRAG จึงต้องปิดชั้นนี้ด้วย ตามรายละเอียดด้านล่าง

• ค่าเริ่มต้นไม่มีการยืนยันตัวตน และเปิดให้เครื่องอื่นในเครือข่ายเข้าถึงได้ (PUBLISH_ADDR=0.0.0.0) ผู้ที่เข้าถึงพอร์ตนี้ได้จะค้นหาและเพิ่มเอกสารในคลังได้ทันที รวมทั้งลบเอกสารได้หากเปิด ENABLE_DELETE หากไม่จำเป็น ให้กำหนด PUBLISH_ADDR=127.0.0.1 ซึ่ง agent ที่อยู่ใน docker network เดียวกันจะยังเรียกใช้ได้ตามปกติ หรือกำหนด MCP_AUTH_TOKEN เพื่อบังคับให้ผู้เรียกต้องส่ง token

• เปิด ENABLE_DELETE เฉพาะเมื่อจำเป็น และควรสำรองข้อมูลของ LightRAG ไว้ก่อน

• API key ของ LightRAG ถูกเก็บไว้ในไฟล์ .env เท่านั้น ไม่ถูกส่งให้ agent และไฟล์นี้จะไม่ถูกส่งขึ้น git

• มิเตอร์ (/meter/…) ไม่ต้องใช้ MCP_AUTH_TOKEN เพราะ LightRAG ส่ง key ของผู้ให้บริการมาเอง ผู้ที่เรียกมิเตอร์ได้ต้องมี key ของผู้ให้บริการอยู่แล้ว และเรียกได้เฉพาะ METER_UPSTREAM หากไม่ใช้มิเตอร์ ให้เว้น METER_UPSTREAM ว่างไว้ (ค่าเริ่มต้น)

สำหรับนักพัฒนา

โค้ดหลักอยู่ในโฟลเดอร์ app/

ชุดทดสอบจำลอง LightRAG ด้วย httpx.MockTransport จึงไม่ต้องมี LightRAG จริงและไม่เสียค่าใช้จ่าย สั่งทดสอบผ่าน Docker ได้โดยไม่ต้องติดตั้ง Python:

docker run --rm -v "$PWD:/w" -w /w -e UV_PROJECT_ENVIRONMENT=/tmp/venv python:3.12-slim \
  sh -c "pip install -q uv==0.13.1 && uv run --frozen pytest -q -p no:cacheprovider"

ไลบรารีทุกตัวถูกล็อกเวอร์ชันไว้ใน uv.lock หากแก้ pyproject.toml ให้เปลี่ยน uv run --frozen pytest ... ในคำสั่งข้างต้นเป็น uv lock แล้ว commit ไฟล์ uv.lock ที่เปลี่ยนไป หากใช้ PowerShell ให้เปลี่ยน $PWD เป็น ${PWD} และใช้ ` แทน \ สำหรับขึ้นบรรทัดใหม่

สัญญาอนุญาต

MIT © 2026 Chacharin Lertyosbordin LightRAG เป็นลิขสิทธิ์ของ HKUDS ภายใต้สัญญาอนุญาต MIT (ซอร์สโค้ด)