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。
