我们开源了一个无图的多跳RAG框架——在基准测试上匹配Graph-RAG的准确率，无需重建成本（Apache-2.0）
摘要
MOTHRAG是一个无图的多跳RAG框架，在基准测试上匹配GraphRAG和HippoRAG等基于图的系统的准确率，同时通过使用密集索引和查询时编排避免昂贵的图重建。
我们刚刚开源了MOTHRAG——一个完全跳过知识图谱的多跳RAG框架。我们一直遇到的问题：准确的多跳系统（GraphRAG、HippoRAG、RAPTOR）都需要离线构建图，每次数据变化时都要重建。对于频繁更新的语料库，这意味着一笔持续的重索引成本。MOTHRAG转而使用无图的密集索引和查询时编排，无需图，无需GPU，每个组件都通过商品化API提供。在多跳基准测试中，它匹配了基于图的系统的准确率，更新只需嵌入并追加，而不是完全重建。基准测试结果：MOTHRAG（我们的） GraphRAG HippoRAG RAPTOR HotpotQA 78.1 68.6 75.5 69.5 2WikiMultiHop 76.3 58.6 71.0 52.1 MuSiQue 50.5 38.5 48.6 28.9 采用Apache-2.0许可证，通过pip install + API密钥即可运行。目前我们诚实的弱点是：MuSiQue上的召回瓶颈，不过我们仍在努力解决。仓库链接在评论中。欢迎在生产环境中对变化数据运行RAG的各位提供反馈！
相似文章
匹配世界顶尖的多跳RAG系统，无需GPU，无需微调，只需pip install
MOTHRAG是一个多跳RAG系统，仅使用普通API调用即可匹配顶尖GPU依赖系统（HippoRAG 2、CoRAG、NeocorRAG）的性能，无需GPU，无需微调，通过pip install加API密钥即可部署。
上下文感知与关系感知的图检索增强生成的统一框架
本文提出了HyGRAG，一种层次化图RAG框架，整合了上下文与关系信息以支持多跳推理，在现有方法基础上实现了平均准确率提升9.7%。
@akshay_pachaar: RAG vs. Graph RAG vs. Agentic RAG，清晰说明！标准RAG将文档嵌入向量并检索最相关…
清晰解释标准RAG、Graph RAG和Agentic RAG，涵盖它们的区别、用例以及如何处理单跳与多跳查询。
大多数多跳RAG在数据变化时就会变得过时，那么有没有一种无需训练的方法可以跳过图重建？
提出了一种无需训练的多跳检索增强生成方法，避免在底层数据变化时进行昂贵的图重建，解决了动态环境中的过时问题。
RAG-Anything：全能型 RAG 框架
RAG-Anything 是一个全新的开源框架，通过整合跨模态关系和语义匹配来增强多模态知识检索，在复杂的基准测试中表现优于现有方法。