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？

作者

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.gitcd RAG-Anythingpip install -e .

（二）使用示例

1、端到端文档处理

import asynciofrom raganything import RAGAnything, RAGAnythingConfigfrom lightrag.llm.openai import openai_complete_if_cache, openai_embedfrom 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(        config=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_content=[{        "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 asynciofrom lightrag import LightRAGfrom lightrag.llm.openai import openai_complete_if_cache, openai_embedfrom lightrag.utils import EmbeddingFuncfrom 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_content=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_content=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

（文：小兵的AI视界）

发表评论