回复
RAG-Anything：PDF、表格、公式全能读！港大开源神器让AI真正理解复杂文档？ 精华
RAG-Anything是一个由香港大学数据智能实验室开发的开源多模态RAG系统，支持处理包含文本、图像、表格和公式的复杂文档，提供从文档摄取到智能查询的端到端解决方案。系统基于多模态知识图谱、灵活的解析架构和混合检索机制，显著提升复杂文档处理能力，支持多种文档格式，如PDF、Office文档、图像和文本文件等。
一、技术原理
（一）图增强文本索引
RAG-Anything基于LLM从文本中提取实体（节点）及其关系（边），将信息用于构建知识图谱。为每个实体节点和关系边生成文本键值对，键是用于高效检索的单词或短语，值是总结相关外部数据片段的文本段落。识别、合并来自不同文本片段的相同实体和关系，减少图操作的开销，提高数据处理效率。
（二）双重检索范式
- 低层次检索：专注于检索特定实体及其属性或关系，适用需要精确信息的详细查询。
- 高层次检索：处理更广泛的主题和主题，基于聚合多个相关实体和关系的信息，提供对高级概念和总结的见解。
- 图和向量集成：结合图结构和向量表示，检索算法用局部和全局关键词，提高检索效率和结果相关性。
（三）检索增强型答案生成
用检索到的信息，基于LLM生成基于收集数据的答案，包括实体和关系的名称、描述及原始文本片段。将查询与多源文本统一，LLM生成与用户需求一致的答案，确保与查询意图对齐。
（四）复杂性分析
图基索引阶段用LLM从每个文本块中提取实体和关系，无需额外开销，高效管理新文本更新。图基检索阶段用LLM生成相关关键词，依靠向量搜索进行检索，显著减少检索开销。
二、主要功能
（一）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。系统能够自动识别文档中的不同模态内容，并将其路由到相应的处理通道，实现高效的内容解析和理解。
（二）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）。无论用户手中的文档是何种格式，RAG-Anything都能轻松应对，满足不同场景下的文档处理需求。
（三）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。例如，视觉内容分析器能够生成基于视觉语义的上下文感知描述性标题，并提取视觉元素之间的空间关系和层次结构；结构化数据解释器则对表格和结构化数据格式进行系统解释，识别数据趋势和语义关系。
（四）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。通过构建多模态知识图谱，系统能够更好地理解文档内容之间的关联，为智能问答提供丰富的语义信息支持。
（五）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。用户可以根据自己的需求选择合适的处理模式，无论是对复杂文档的深度解析，还是对特定模态内容的快速处理，RAG-Anything都能提供灵活的解决方案。
（六）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。用户可以通过输入文本查询，系统能够理解查询意图，并在多模态文档中检索出与之相关的信息，无论是文本描述、图像内容还是表格数据，都能精准匹配。
三、应用场景
（一）学术研究
快速解析和理解大量学术文献，提取关键信息和研究结果，支持文献综述和实验数据分析，助力跨学科研究。研究人员可以利用RAG-Anything高效地处理学术论文，快速获取所需信息，加速研究进程。
（二）企业知识管理
整合企业内部文档，如会议记录、项目报告等，提供智能查询和知识共享，提升内部信息流通效率。企业员工可以通过RAG-Anything快速查找所需资料，促进知识共享和团队协作。
（三）金融分析
处理财务报表和市场研究报告，提取关键财务指标和市场趋势，辅助风险评估和投资决策。金融分析师可以借助RAG-Anything深入分析金融文档，挖掘有价值的信息，为投资决策提供有力支持。
（四）医疗健康
解析病历中的文本、图像和表格，支持医疗诊断和治疗方案制定，处理医学研究文献和实验数据。医疗专业人员可以利用RAG-Anything高效地处理医疗文档，提高诊断准确性和治疗效果。
（五）智能客服
快速回答客户问题，提高客服效率，整合企业知识库，提供智能查询和知识推荐，优化客户体验。客服人员可以借助RAG-Anything快速准确地回答客户咨询，提升客户满意度。
四、快速使用
（一）安装
1、从PyPI安装（推荐）
#
基本安装
pip install raganything
#
安装所有可选依赖
pip install 'raganything[all]'2、从源码安装
git clone https://github.com/HKUDS/RAG-Anything.git
cd RAG-Anything
pip install -e .（二）使用示例
1、端到端文档处理
import asyncio
from raganything import RAGAnything, RAGAnythingConfig
from lightrag.llm.openai import openai_complete_if_cache, openai_embed
from lightrag.utils import EmbeddingFunc
async def main():
# 设置API配置
api_key = "your-api-key"
base_url = "your-base-url" # 可选
# 创建RAGAnything配置
config = RAGAnythingConfig(
working_dir="./rag_storage",
mineru_parse_method="auto",
enable_image_processing=True,
enable_table_processing=True,
enable_equation_processing=True,
)
# 定义LLM模型函数
def llm_model_func(prompt, system_prompt=None, history_messages=[], **kwargs):
return openai_complete_if_cache(
"gpt-4o-mini",
prompt,
system_prompt=system_prompt,
history_messages=history_messages,
api_key=api_key,
base_url=base_url,
**kwargs,
)
# 定义视觉模型函数用于图像处理
def vision_model_func(
prompt, system_prompt=None, history_messages=[], image_data=None, **kwargs
):
if image_data:
return 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=api_key,
base_url=base_url,
**kwargs,
)
else:
return llm_model_func(prompt, system_prompt, history_messages, **kwargs)
# 定义嵌入函数
embedding_func = EmbeddingFunc(
embedding_dim=3072,
max_token_size=8192,
func=lambda texts: openai_embed(
texts,
model="text-embedding-3-large",
api_key=api_key,
base_url=base_url,
),
)
# 初始化RAGAnything
rag = RAGAnything(
cnotallow=config,
llm_model_func=llm_model_func,
vision_model_func=vision_model_func,
embedding_func=embedding_func,
)
# 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
# 纯文本查询 - 用于基本知识库搜索
text_result = await rag.aquery(
"What are the main findings shown in the figures and tables?",
mode="hybrid"
)
print("Text query result:", text_result)
# 多模态查询，包含特定多模态内容
multimodal_result = await rag.aquery_with_multimodal(
"Explain this formula and its relevance to the document content",
multimodal_cnotallow=[{
"type": "equation",
"latex": "P(d|q) = \\frac{P(q|d) \\cdot P(d)}{P(q)}",
"equation_caption": "Document relevance probability"
}],
mode="hybrid"
)
print("Multimodal query result:", multimodal_result)
if __name__ == "__main__":
asyncio.run(main())2、直接多模态内容处理
import asyncio
from lightrag import LightRAG
from lightrag.llm.openai import openai_complete_if_cache, openai_embed
from lightrag.utils import EmbeddingFunc
from raganything.modalprocessors import ImageModalProcessor, TableModalProcessor
async def process_multimodal_content():
# 设置API配置
api_key = "your-api-key"
base_url = "your-base-url" # 可选
# 初始化LightRAG
rag = LightRAG(
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=api_key,
base_url=base_url,
**kwargs,
),
embedding_func=EmbeddingFunc(
embedding_dim=3072,
max_token_size=8192,
func=lambda texts: openai_embed(
texts,
model="text-embedding-3-large",
api_key=api_key,
base_url=base_url,
),
)
)
await rag.initialize_storages()
# 处理图像
image_processor = ImageModalProcessor(
lightrag=rag,
modal_caption_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=api_key,
base_url=base_url,
**kwargs,
) if image_data else openai_complete_if_cache(
"gpt-4o-mini",
prompt,
system_prompt=system_prompt,
history_messages=history_messages,
api_key=api_key,
base_url=base_url,
**kwargs,
)
)
image_content = {
"img_path": "path/to/image.jpg",
"img_caption": ["Figure 1: Experimental results"],
"img_footnote": ["Data collected in 2024"]
}
description, entity_info = await image_processor.process_multimodal_content(
modal_cnotallow=image_content,
content_type="image",
file_path="research_paper.pdf",
entity_name="Experimental Results Figure"
)
# 处理表格
table_processor = TableModalProcessor(
lightrag=rag,
modal_caption_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=api_key,
base_url=base_url,
**kwargs,
)
)
table_content = {
"table_body": """
| Method | Accuracy | F1-Score |
|--------|----------|----------|
| RAGAnything | 95.2% | 0.94 |
| Baseline | 87.3% | 0.85 |
""",
"table_caption": ["Performance Comparison"],
"table_footnote": ["Results on test dataset"]
}
description, entity_info = await table_processor.process_multimodal_content(
modal_cnotallow=table_content,
content_type="table",
file_path="research_paper.pdf",
entity_name="Performance Results Table"
)
if __name__ == "__main__":
asyncio.run(process_multimodal_content())结语
RAG-Anything作为香港大学数据智能实验室推出的开源多模态RAG系统，凭借其创新的技术架构和强大的功能，为多模态文档处理与智能问答领域带来了新的突破。它不仅支持多种文档格式，还能精准解析图像、表格、公式等多模态内容，并通过构建知识图谱实现跨模态的智能检索与问答。
GitHub仓库：https://github.com/HKUDS/RAG-Anything
arXiv技术论文：https://arxiv.org/pdf/2410.05779
本文转载自小兵的AI视界，作者：AGI小兵
赞
收藏
回复
相关推荐
