Mindage

Mindage

Mind Map Driven Knowledge Graph & Article Generation Platform

思维导图驱动的知识图谱与文章生成平台

---

Mindage is an interactive knowledge platform built on top of LightRAG. It transforms traditional retrieval-augmented generation into an exploratory experience — navigate knowledge through mind maps, generate structured articles from topic trees, and extend capabilities through MCP tool integration.

✨ Key Features

• Mind Map Exploration — Canvas-based interactive mind maps powered by LLM. Expand topics, generate per-node content, and produce full structured articles from a single topic tree.
• Knowledge Graph Visualization — Interactive graph visualization of entity relationships extracted from your documents, powered by Sigma.js.
• Multi-Mode Retrieval — Five query modes (local, global, hybrid, mix, naive) to balance precision and breadth for different query types.
• MCP Tool Integration — Connect external tools via Model Context Protocol (stdio / SSE / streamable HTTP) and invoke them during conversations.
• PageIndex Tree Index — Hierarchical document tree index for structured navigation of processed documents.
• Multi-User RBAC — JWT-based authentication with admin / user / guest roles and self-service password management.
• Multi-Workspace — Create isolated knowledge bases with separate document sets and knowledge graphs.
• 11 Languages — Full internationalization via i18next including Chinese, English, Japanese, Korean, French, German, Spanish, and more.
• Observability — Prometheus metrics, request tracing, and structured JSON logging for production monitoring.

📸 Screenshots

🚀 Quick Start

Prerequisites

• Python 3.10+
• Node.js 18+ & Bun
• uv (recommended for Python package management)

Install from Source

git clone https://github.com/RangerCao/LightRAG.git
cd LightRAG

# Set up Python environment
uv sync --extra api
source .venv/bin/activate        # Linux/macOS
# .venv\Scripts\activate         # Windows

# Build WebUI
cd lightrag_webui
bun install --frozen-lockfile
bun run build
cd ..

# Configure environment
cp env.example .env
# Edit .env with your LLM and embedding API keys

# Start the server
lightrag-server

Docker Deployment

git clone https://github.com/RangerCao/LightRAG.git
cd LightRAG
cp env.example .env
# Edit .env with your configurations
docker compose -f docker-compose-full.yml up -d

The full Docker stack includes: Mindage server, vLLM embedding/reranking services, PostgreSQL (pgvector), Neo4j graph database, and Milvus vector database.

Access Mindage

Once running, open your browser:

• WebUI: http://localhost:9621/webui/
• API Docs: http://localhost:9621/docs
• Health Check: http://localhost:9621/health

⚙️ Configuration

Mindage is configured via environment variables in the .env file. Key settings:

Variable	Description	Default
LLM_BINDING	LLM provider (openai / ollama / azure)	openai
LLM_MODEL	LLM model name	gpt-4o-mini
EMBEDDING_BINDING	Embedding provider	openai
EMBEDDING_MODEL	Embedding model name	text-embedding-3-small
SUMMARY_LANGUAGE	Output language for entities/relations	English
ENABLE_PAGEINDEX	Enable tree index feature	false
MAX_PARALLEL_INSERT	Max documents processed in parallel	3

See env.example for the complete configuration reference.

🏗️ Architecture

Mindage
├── lightrag/              # Core Python package
│   ├── api/               # FastAPI server + REST endpoints
│   │   ├── routers/       # Document, query, graph, explore, MCP routes
│   │   └── lightrag_server.py
│   ├── kg/                # Storage backends (Neo4j, PostgreSQL, Milvus, etc.)
│   ├── llm/               # LLM providers (OpenAI, Ollama, Azure, etc.)
│   ├── parser/            # Document parsers (native, MinerU, Docling)
│   ├── chunker/           # Chunking strategies
│   ├── pipeline.py        # Document ingestion pipeline
│   └── operate.py         # Extraction & retrieval operations
├── lightrag_webui/        # React 19 + TypeScript frontend
│   └── src/
│       ├── components/    # UI components
│       ├── views/         # Page views (Chat, Knowledge, Graph, MindMap...)
│       └── i18n/          # 11 language translations
└── docker-compose-full.yml

🙏 Acknowledgments

Mindage is built on top of LightRAG by HKUDS. We gratefully acknowledge the original project's foundational contributions to graph-based retrieval-augmented generation.

If you use Mindage in your research, please cite the original LightRAG paper:

@article{guo2024lightrag,
  title={LightRAG: Simple and Fast Retrieval-Augmented Generation},
  author={Zirui Guo and Lianghao Xia and Yanhua Yu and Tu Ao and Chao Huang},
  year={2024},
  eprint={2410.05779},
  archivePrefix={arXiv},
  primaryClass={cs.IR}
}

---

Mindage 是一个基于 LightRAG 构建的交互式知识平台。它将传统的检索增强生成转化为一种探索式体验——通过思维导图导航知识、从主题树生成结构化文章，并通过 MCP 工具集成扩展能力。

✨ 核心功能

• 思维导图探索 — 基于 Canvas 的交互式思维导图，由 LLM 驱动。展开主题、生成节点内容、从单一主题树生成完整的结构化文章。
• 知识图谱可视化 — 基于 Sigma.js 的交互式图谱，展示从文档中提取的实体关系网络。
• 多模式检索 — 五种查询模式（局部、全局、混合、融合、朴素），在不同查询场景下平衡精确度与广度。
• MCP 工具集成 — 通过 Model Context Protocol（stdio / SSE / streamable HTTP）连接外部工具，在对话中直接调用。
• PageIndex 树形索引 — 层级化文档树索引，支持结构化浏览已处理文档。
• 多用户权限管理 — 基于 JWT 的认证系统，支持管理员 / 普通用户 / 访客三种角色，支持自助修改密码。
• 多工作空间 — 创建隔离的知识库，每个空间拥有独立的文档集和知识图谱。
• 11 种语言 — 基于 i18next 的完整国际化支持，包括中文、英文、日文、韩文、法语、德语、西班牙语等。
• 可观测性 — Prometheus 指标、请求追踪和结构化 JSON 日志，满足生产环境监控需求。

🚀 快速开始

环境要求

• Python 3.10+
• Node.js 18+ 和 Bun
• uv（推荐的 Python 包管理工具）

从源码安装

git clone https://github.com/RangerCao/LightRAG.git
cd LightRAG

# 配置 Python 环境
uv sync --extra api
source .venv/bin/activate        # Linux/macOS
# .venv\Scripts\activate         # Windows

# 构建前端
cd lightrag_webui
bun install --frozen-lockfile
bun run build
cd ..

# 配置环境变量
cp env.example .env
# 编辑 .env，填入你的 LLM 和 Embedding API 密钥

# 启动服务
lightrag-server

Docker 部署

git clone https://github.com/RangerCao/LightRAG.git
cd LightRAG
cp env.example .env
# 编辑 .env 配置文件
docker compose -f docker-compose-full.yml up -d

完整 Docker 技术栈包括：Mindage 服务、vLLM 嵌入/重排服务、PostgreSQL (pgvector)、Neo4j 图数据库和 Milvus 向量数据库。

访问 Mindage

启动后，在浏览器中打开：

• WebUI：http://localhost:9621/webui/
• API 文档：http://localhost:9621/docs
• 健康检查：http://localhost:9621/health

⚙️ 配置说明

Mindage 通过 .env 文件中的环境变量进行配置。主要设置项：

变量	说明	默认值
LLM_BINDING	LLM 提供商（openai / ollama / azure）	openai
LLM_MODEL	LLM 模型名称	gpt-4o-mini
EMBEDDING_BINDING	嵌入模型提供商	openai
EMBEDDING_MODEL	嵌入模型名称	text-embedding-3-small
SUMMARY_LANGUAGE	实体/关系输出语言	English
ENABLE_PAGEINDEX	启用树形索引功能	false
MAX_PARALLEL_INSERT	最大并行处理文档数	3

完整配置请参考 env.example 文件。

🏗️ 项目架构

Mindage
├── lightrag/              # Python 核心包
│   ├── api/               # FastAPI 服务 + REST 接口
│   │   ├── routers/       # 文档、查询、图谱、探索、出行、MCP 路由
│   │   └── lightrag_server.py
│   ├── kg/                # 存储后端（Neo4j、PostgreSQL、Milvus 等）
│   ├── llm/               # LLM 提供商（OpenAI、Ollama、Azure 等）
│   ├── parser/            # 文档解析器（native、MinerU、Docling）
│   ├── chunker/           # 分块策略
│   ├── pipeline.py        # 文档摄入流水线
│   └── operate.py         # 抽取与检索操作
├── lightrag_webui/        # React 19 + TypeScript 前端
│   └── src/
│       ├── components/    # UI 组件
│       ├── views/         # 页面视图（对话、知识、图谱、思维导图、出行...）
│       └── i18n/          # 11 种语言翻译
└── docker-compose-full.yml

🙏 致谢

Mindage 基于 HKUDS 的 LightRAG 项目构建。我们诚挚感谢原项目在基于图谱的检索增强生成领域的基础性贡献。

如果您在研究中使用了 Mindage，请引用 LightRAG 原始论文：

@article{guo2024lightrag,
  title={LightRAG: Simple and Fast Retrieval-Augmented Generation},
  author={Zirui Guo and Lianghao Xia and Yanhua Yu and Tu Ao and Chao Huang},
  year={2024},
  eprint={2410.05779},
  archivePrefix={arXiv},
  primaryClass={cs.IR}
}

---