@DanKornas：你的RAG流水线不需要重复检索同一份证据。LeanRAG是一个开源的RAG框架，它利用……

X AI KOLs Timeline 工具
open-source rag framework knowledge-graphs hierarchical-retrieval semantic-aggregation nlp

摘要

LeanRAG是一个开源的RAG框架，它利用知识图谱、语义聚合和分层检索来减少检索流水线中的冗余，并提供带有简洁证据路径的接地答案。

你的RAG流水线不需要重复检索同一份证据。 LeanRAG是一个开源的RAG框架，它利用知识图谱、语义聚合和分层检索，从结构化证据中生成接地答案。 它通过将实体聚类为摘要节点、遍历多层图谱并向前端大模型发送简洁的证据路径，帮助你构建冗余度更低的检索流水线。 主要特性： • 语义聚合 – 将底层实体聚类为带有显式关系的连贯摘要 • 分层检索 – 将查询锚定在细粒度实体上，然后沿图谱向上遍历 • 冗余感知合成 – 在生成前精简检索路径并避免内容重叠 • 两种提取路径 – 包含CommonKG和GraphRAG风格的方法用于提取实体和关系 • 端到端工作流 – 涵盖文档分块、图谱构建、检索和最终答案生成 免费的公开GitHub仓库。 链接在回复中
查看原文
查看缓存全文

缓存时间: 2026/07/02 08:19

你的RAG流水线无需重复检索同一份证据。

LeanRAG是一个开源RAG框架，它利用知识图谱、语义聚合和分层检索，从结构化证据中生成有依据的答案。

它通过将实体聚类为摘要节点、遍历多层图结构，并向大语言模型发送简洁的证据路径，帮助你构建冗余更少的检索流水线。

主要特性：

• 语义聚合 – 将低层实体聚类为具有明确关系的连贯摘要
• 分层检索 – 将查询锚定在详细实体上，然后向上遍历图结构
• 冗余感知合成 – 精简检索路径，避免在生成前出现内容重叠
• 两种提取路径 – 包括CommonKG和GraphRAG风格的实体与关系提取方法
• 端到端工作流 – 涵盖文档分块、图构建、检索和最终答案生成

免费公开GitHub仓库。链接见回复。

相似文章

为语义代码搜索构建 RAG 流水线

Lobsters Hottest

JetBrains 开发者分享了构建生产级语义代码搜索（Air Context）RAG 流水线的实战笔记，涵盖解析、分块和向量化，这是该系列文章的第一部分，旨在为 LLM 编程智能体提供来自大型代码库的精确、可引用的证据。

AgenticRAG：面向企业知识库的代理检索

arXiv cs.AI

本文介绍了 AgenticRAG，这是一个来自微软的框架，通过为大型语言模型（LLM）配备迭代搜索、文档导航和分析工具，增强了企业知识库的检索能力。它在多个基准测试中展示了相比标准 RAG 流水线在召回率和事实准确性方面的显著提升。