普通文档检索像在一摞材料里找相似句子，却不擅长回答“谁向谁汇报”或“哪份合同影响哪个产品”。EdgeQuake瞄准的正是这类问题：它用Rust——一种强调内存安全和运行效率的编程语言——实现LightRAG算法，把文档拆成实体及其关系，再建成知识图谱。提问时，系统同时做文字相似度检索和图谱关系追踪，最后交给大模型生成带来源的回答。
它的卖点不只是换了编程语言。项目把服务打包为一个二进制程序，配合PostgreSQL存储，可接云端模型，也可通过Ollama、LM Studio等工具完全在本地运行，适合处理不便上传的私有文档。作者在GraphRAG-Bench的medical-mid数据集上用相同语料和模型测试200次：EdgeQuake与Python版LightRAG的回答准确率分别为0.792和0.786，统计上持平；冷查询中位耗时也接近，但启用大模型与嵌入缓存后，热查询中位耗时为82毫秒，对方为993毫秒。上述性能数字来自项目作者自测，尚不能代表所有文档、模型和硬件环境。