开源RAG又添新军！港大开源多模态RAG神器，多文档格式统一解析、知识图谱索引与混合检索！

在AI驱动的信息检索领域，传统RAG（检索增强生成）系统通常局限于文本处理，难以应对包含文本、图像、表格和公式的复杂文档。

RAG-Anything 是由香港大学数据智能实验室开发的一款开源的多模态RAG系统，能够提供从文档摄取到智能查询的端到端解决方案。

与传统RAG不同，它通过多模态知识图谱、灵活的解析架构和混合检索机制，提供上下文感知的高精度查询结果，显著提升复杂文档处理能力。

文本、图像、表格、公式等多模态内容全覆盖，提供了真正端到端的一体化处理能力。

核心优势

• • 端到端多模态流水线：从文档解析到多模态智能查询，提供一体化工作流程。
• • 多格式文档支持：兼容PDF、Office文档（DOC/DOCX、PPT/PPTX、XLS/XLSX）、图像（JPG、PNG等）和文本文件（TXT、MD）。
• • 多模态内容分析引擎：针对图像、表格、公式和通用文本内容部署专门的处理器，确保各类内容的精准解析。
• • 知识图谱索引：自动提取实体和跨模态关系，构建语义连接网络。
• • 灵活的处理架构：支持MinerU智能解析模式和直接多模态内容插入模式，适配多样化场景。
• • 跨模态检索机制：实现跨文本和多模态内容的智能检索，提供精准的信息定位和匹配能力。

算法原理与架构

RAG-Anything采用分层架构，通过多阶段流水线扩展传统RAG，处理异构内容。其工作流程包括文档解析、内容分析、知识图谱构建和智能检索。

1、文档解析阶段

目标：从多种格式文档中提取和结构化多模态元素（文本、图像、表格、公式）。

核心组件：

• • 结构化提取引擎：集成MinerU，实现高精度文档结构识别与内容提取。
• • 自适应内容分解：智能分离文本、图像、表格和公式，保留语义关联（如图像与说明文字）。
• • 多格式兼容：支持PDF、Office文档、图像和文本文件，输出标准化多模态内容。

2、多模态内容理解

目标：通过专用流水线并行处理异构内容，确保高效和完整性。

核心组件：

• • 内容分类与路由：自动识别内容类型并分配到对应处理通道。
• • 并发多流水线：并行处理文本和多模态内容，最大化吞吐量。
• • 文档层次提取：保留章节、表格标题等结构关系，维护语义完整性。

3、多模态分析引擎

目标：为不同模态内容部署专用处理器，确保精准解析。

核心组件：

• • 视觉内容分析器：基于CLIP类视觉模型，生成上下文感知的图像标题，提取空间关系。
• • 结构化数据解释器：对表格应用统计模式识别，分析趋势和语义依赖。
• • 数学表达式解析器：支持LaTeX公式解析，与领域知识库映射。
• • 可扩展模态处理器：插件架构支持自定义内容类型，动态配置流水线。

4、多模态知识图谱索引

目标：将文档内容转化为结构化语义表示，提升检索效率。

核心功能：

• • 多模态实体提取：将表格标题、图像对象等转换为知识图谱实体，附带语义标注。
• • 跨模态关系映射：推理文本与多模态元素间的语义连接（如图像与说明）。
• • 层次结构保持：通过“归属”关系链维护文档结构。
• • 加权关系评分：基于语义邻近性和上下文重要性分配分数。

5、模态感知检索

目标：实现精准、上下文感知的多模态检索。

核心机制：

• • 向量-图谱融合：结合向量相似性搜索（FAISS）和图遍历算法，覆盖语义和结构信息。
• • 模态感知排序：根据查询的模态偏好自适应调整结果排序。
• • 关系一致性：确保检索结果保持语义和结构连贯性。

快速使用

RAG-Anything 的安装方式非常简单，支持从PyPI安装（推荐）或者源码部署。

1、从PyPI安装（推荐）

pip install raganything

2、从源码安装

git clone https://github.com/HKUDS/RAG-Anything.git
cd RAG-Anything
pip install -e .

然后需要检查MinerU是否安装：

# 验证安装
mineru --version

# 检查是否正确配置
python -c "from raganything import RAGAnything; rag = RAGAnything(); print('✅ MinerU安装正常' if rag.check_mineru_installation() else '❌ MinerU安装有问题')"

模型在首次使用时会自动下载。

Python使用示例

Demo01：端到端文档处理

import asyncio
from raganything import RAGAnything
from lightrag.llm.openai import openai_complete_if_cache, openai_embed

async def main():
    # 初始化RAGAnything
    rag = RAGAnything(
        working_dir="./rag_storage",
        llm_model_func=lambda prompt, system_prompt=None, history_messages=[], **kwargs: openai_complete_if_cache(
            "gpt-4o-mini",
            prompt,
            system_prompt=system_prompt,
            history_messages=history_messages,
            api_key="your-api-key",
            **kwargs,
        ),
        vision_model_func=lambda prompt, system_prompt=None, history_messages=[], image_data=None, **kwargs: openai_complete_if_cache(
            "gpt-4o",
            "",
            system_prompt=None,
            history_messages=[],
            messages=[
                {"role": "system", "content": system_prompt} if system_prompt else None,
                {"role": "user", "content": [
                    {"type": "text", "text": prompt},
                    {"type": "image_url", "image_url": {"url": f"data:image/jpeg;base64,{image_data}"}}
                ]} if image_data else {"role": "user", "content": prompt}
            ],
            api_key="your-api-key",
            **kwargs,
        ) if image_data else openai_complete_if_cache(
            "gpt-4o-mini",
            prompt,
            system_prompt=system_prompt,
            history_messages=history_messages,
            api_key="your-api-key",
            **kwargs,
        ),
        embedding_func=lambda texts: openai_embed(
            texts,
            model="text-embedding-3-large",
            api_key="your-api-key",
        ),
        embedding_dim=3072,
        max_token_size=8192
    )

    # 处理文档
    await rag.process_document_complete(
        file_path="path/to/your/document.pdf",
        output_dir="./output",
        parse_method="auto"
    )

    # 查询处理后的内容
    result = await rag.query_with_multimodal(
        "图表中显示的主要发现是什么？",
        mode="hybrid"
    )
    print(result)

if __name__ == "__main__":
    asyncio.run(main())

Demo02：直接多模态内容处理

import asyncio
from lightrag import LightRAG
from raganything.modalprocessors import ImageModalProcessor, TableModalProcessor

async def process_multimodal_content():
    # 初始化LightRAG
    rag = LightRAG(
        working_dir="./rag_storage",
        # ... 你的LLM和嵌入配置
    )
    await rag.initialize_storages()

    # 处理图像
    image_processor = ImageModalProcessor(
        lightrag=rag,
        modal_caption_func=your_vision_model_func
    )

    image_content = {
        "img_path": "path/to/image.jpg",
        "img_caption": ["图1：实验结果"],
        "img_footnote": ["数据收集于2024年"]
    }

    description, entity_info = await image_processor.process_multimodal_content(
        modal_content=image_content,
        content_type="image",
        file_path="research_paper.pdf",
        entity_name="实验结果图表"
    )

    # 处理表格
    table_processor = TableModalProcessor(
        lightrag=rag,
        modal_caption_func=your_llm_model_func
    )

    table_content = {
        "table_body": """
        | 方法 | 准确率 | F1分数 |
        |------|--------|--------|
        | RAGAnything | 95.2% | 0.94 |
        | 基准方法 | 87.3% | 0.85 |
        """,
        "table_caption": ["性能对比"],
        "table_footnote": ["测试数据集结果"]
    }

    description, entity_info = await table_processor.process_multimodal_content(
        modal_content=table_content,
        content_type="table",
        file_path="research_paper.pdf",
        entity_name="性能结果表格"
    )

if __name__ == "__main__":
    asyncio.run(process_multimodal_content())

Demo03：批量处理

# 处理多个文档
await rag.process_folder_complete(
    folder_path="./documents",
    output_dir="./output",
    file_extensions=[".pdf", ".docx", ".pptx"],
    recursive=True,
    max_workers=4
)

Demo04：自定义多模态处理器

from raganything.modalprocessors import GenericModalProcessor

class CustomModalProcessor(GenericModalProcessor):
    async def process_multimodal_content(self, modal_content, content_type, file_path, entity_name):
        # 你的自定义处理逻辑
        enhanced_description = await self.analyze_custom_content(modal_content)
        entity_info = self.create_custom_entity(enhanced_description, entity_name)
        return await self._create_entity_and_chunk(enhanced_description, entity_info, file_path)

Demo05：查询选项

# 不同的查询模式
result_hybrid = await rag.query_with_multimodal("你的问题", mode="hybrid")
result_local = await rag.query_with_multimodal("你的问题", mode="local")
result_global = await rag.query_with_multimodal("你的问题", mode="global")

项目目录下也有相应的实际场景演示，examples/ 目录包含完整的使用示例：

raganything_example.py：基于MinerU的端到端文档处理
modalprocessors_example.py：直接多模态内容处理
office_document_test.py：Office文档解析测试（无需API密钥）
image_format_test.py：图像格式解析测试（无需API密钥）
text_format_test.py：文本格式解析测试（无需API密钥）

写在最后

在 RAG 系统百花齐放的今天，RAG-Anything 是少有的“真正做全”的开源RAG系统之一。

从结构化提取到多模态融合，从问答到检索，它不仅支持多种文档格式，而且能智能分析、构建知识图谱、并在上下文语义层面实现真正的信息理解与调用。

如果你正在开发一个多模态问答系统、企业知识库平台、文档自动分析工具，RAG-Anything 值得你深入了解与尝试！

GitHub 项目地址：https://github.com/HKUDS/RAG-Anything