HKUDS/RAG-Anything · 中文介绍

HKUDS/RAG-Anything

★ 24,616 · Forks 2,882

一句话理解

RAG-Anything 建在 LightRAG 之上。它把图、表和公式也纳入可检索的范围,并记录它们与正文的关系。提问时,系统既可以按含义找相关内容,也可以沿已记录的关系找到与之相连的材料,再据此组织回答。

它解决什么问题

一份测试报告可能在正文里交代测试条件,在表格里列出读数,在图中标出异常出现的位置。只检索正文,后两类信息就可能漏掉。RAG-Anything 面向这类混合文档,输入是待处理的文档和读者的问题,输出是检索相关材料后生成的回答。试用时可以把成功标准定得具体些:回答里的数值、单位和条件都能回到原文核对,且来自同一项测试。

从输入到输出

可以沿五步看完整流程。第一步,解析器把文件拆成段落、图片、表格和公式等内容块,并保留上下文关系。已有符合格式的内容清单时,可以直接导入,跳过文件解析。第二步,框架按内容类型分流,例如用视觉模型为图片生成描述,用表格处理器解读行列数据。第三步,把重要对象及其联系写入索引,例如记录某张图与哪段正文相关,供查询时沿关系查找。第四步,结合语义相似度搜索和图中的关系,找出与问题相关的材料,并按内容类型与问题的相关程度排序。第五步,用检索结果生成回答。启用视觉增强查询且检索结果带有可读取的图片时,视觉模型会同时收到图片和文字。原文件导入依赖可用的解析器。解析时漏掉的表格无法靠后续检索补回,视觉模型不可用时也无法在回答阶段直接读图。

用一个小任务理解

理解示例(未实测):设想导入一份两页的设备测试 PDF。正文写明 A 组在室温下运行,表 1 记录 A 组的最高温度为 68℃,图 2 用箭头标出第 12 分钟开始报警,正文和图注都没有复述这个时刻。处理时,先拆出段落、表格和图,再分析这些内容并建立索引。随后用视觉增强查询问“A 组在什么条件下运行,最高温度是多少,何时开始报警?”若三个信息都被正确取用,预期回答是“室温下运行,最高 68℃,第 12 分钟开始报警”。读者可以逐项对照正文、表 1 和图 2。

改变一个条件会怎样

预测与验证(待检验):沿用这份 PDF,只关闭查询阶段的视觉增强,保留同一份索引、同一个问题和同一种检索模式。预计正文里的运行条件和表格里的温度仍有机会答对,但仅出现在图里的报警时刻更容易漏答或答错。用开、关两种设置各问几次,对照原文记录三项答案分别答对多少次。若关闭后仍能稳定答出第 12 分钟,再检查入库时生成的图片描述是否已经记录了这个时刻。

适合谁,哪里会失效

根据资料推断:适合希望给论文、技术手册或财务报告建立问答入口的读者,尤其是答案经常散在正文和图表里的场景。处理前要按文件类型核对解析器和依赖。例如,内置解析器中只有 Docling 接受 HTML,默认的 MinerU 路线在 Python 3.14 下不可用。资料也没有给出可用来估计目标文档答对率的独立评测,因此正式使用前应拿自己的文档核对关键数字、单位和图表归属。

第一次尝试时看什么

根据资料推断:先选一份可以公开使用、答案能手工核对的短 PDF,参考项目的端到端示例完成一次导入和提问。若结果有误,先看解析产物里有没有那张表或图,再查相关内容是否进入索引,以及回答时是否取到了它。已有外部解析结果的读者也可以用同一份材料试直接导入内容清单,把文件解析与后续问答分开排查。

Kai 的头像

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注