在检索增强生成（RAG）领域，HKUDS 团队一直是重要的开源贡献者。继 LightRAG 之后，他们又重磅推出了一个项目——RAG-Anything。如果说 LightRAG 解决的是“文本知识库”问题，那么 RAG-Anything 则致力于解决“一切文档”的知识库难题——不仅涵盖文本，还包括图片、表格、公式、图表等各类非结构化多模态内容。

一、项目介绍

官方定义

RAG-Anything 的官方定位是 All-in-One Multimodal Document Processing RAG System（一站式多模态文档处理 RAG 系统），它构建于 LightRAG 之上。该项目由香港大学数据科学实验室（HKUDS）的 Zirui Guo 主导研发，采用 MIT 开源协议发布。

核心目标

现代企业文档中充斥着大量多模态内容——文本、图像、表格、公式、图表和多媒体元素，传统纯文本 RAG 系统难以高效处理这类内容。RAG-Anything 正是为了解决这一核心痛点而生：通过一个统一框架处理所有文档类型中的各种内容模态。

项目路线

二、支持的文件类型

RAG-Anything 真正实现了“万物皆可解析”，支持的文件类型覆盖了日常办公和科研场景中的绝大多数需求：

其解析引擎集成了 MinerU（由 OpenDataLab 开发的高保真文档结构提取工具），能够自动将文档拆分为文本块、视觉元素、结构化表格和数学公式，同时保留各元素间的上下文关联关系。

三、为什么重要——从安全行业的一个真实场景说起

现实中的痛点

想象一个渗透测试报告场景。这份 PDF 报告包含：文字描述（漏洞发现、利用过程）、截图证据（SQL 注入回显、XSS 弹窗、命令执行结果）、网络拓扑图（目标网络架构、攻击路径）、表格数据（资产清单、漏洞评分 CVSS）、命令输出（工具执行结果）。传统 RAG 系统只能读取其中的文字部分，而截图、拓扑图、表格中的数据则被完全忽略。

RAG-Anything 的解法

RAG-Anything 的架构通过 5 个阶段解决了这一问题：文档解析 → 高保真提取所有元素；多模态内容理解 → 自动分类并路由到专用处理通道；多模态分析引擎 → 图像分析器、表格解释器、公式解析器协同工作；多模态知识图谱 → 建立跨模态实体关系；模态感知检索 → 向量搜索与图遍历相结合的混合检索。这意味着，一份渗透测试报告中的网络拓扑图截图会被视觉分析器识别，CVSS 评分表会被结构化数据解释器解析，命令输出会被当作代码块处理——所有信息最终汇聚到一个统一的知识图谱中。

适用场景

• 安全行业：渗透测试报告、安全审计文档、威胁情报分析
• 法律行业：合同文档、证据材料（含扫描件）
• 医疗行业：含影像报告的病例文档
• 科研文献：含公式、图表、实验数据的论文

四、与传统方案对比

核心优势

RAG-Anything 最大的差异化体现在其 All-in-One 的设计理念：无需在多个工具之间拼凑（LangChain 的方式），无需为多模态能力做额外适配（LlamaIndex 的局限），也无需承担 GraphRAG 那样的高昂成本。一次 pip install，一个 RAGAnything 类，即可搞定一切。

五、实际使用心得

实际体验下来，RAG-Anything 是目前最接近“企业级多模态知识库”的开源方案。

安装体验

# 基础安装
pip install raganything
# 全功能安装
pip install 'raganything[all]'

需要注意：处理 Office 文档需要额外安装 LibreOffice（免费开源），模型在首次使用时会自动下载。

架构亮点

RAG-Anything 的 5 阶段流水线设计值得深入理解：

• 文档解析：基于 MinerU 的高保真结构提取
• 多模态理解：自动内容分类与并发多流水线处理
• 分析引擎：视觉分析器 + 表格解释器 + 公式解析器 + 可扩展处理器
• 知识图谱：多模态实体提取、跨模态关系映射、层次结构保持
• 智能检索：向量-图谱融合 + 模态感知排序

适用建议

• 最适合：文档类型混杂、包含大量图片/表格/公式的场景
• 需注意：Office 文档需要 LibreOffice 支持；首次使用需要下载模型
• 可选解析器：支持 mineru、docling、paddleocr 三种解析器

六、代码示例——真实项目的使用流程

以下代码来自 RAG-Anything 官方示例文件 examples/raganything_example.py，展示了完整的文档处理与多模态查询流程：

import asyncio
from functools import partial
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",
        parser="mineru",  # 选择解析器：mineru, docling, paddleocr
        parse_method="auto", # 解析方法：auto, ocr, txt
        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, messages=None, **kwargs):
        if messages:
            return openai_complete_if_cache(
                "gpt-4o", "", system_prompt=None, history_messages=[],
                messages=messages, api_key=api_key, base_url=base_url, **kwargs,
            )
        elif 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=partial(openai_embed.func,
                     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="your-document.pdf",
        output_dir="./output",
        parse_method="auto"
    )

    # 文本查询
    result = await rag.aquery("文档的主要内容是什么？", mode="hybrid")
    print(f"Answer: {result}")

    # 多模态查询 - 结合表格数据进行检索
    multimodal_result = await rag.aquery_with_multimodal(
        "请分析这份性能数据并与文档中的类似结果对比",
        multimodal_content=[{
            "type": "table",
            "table_data": """
Method,Accuracy,Processing_Time
RAGAnything,95.2%,120ms
Traditional_RAG,87.3%,180ms
Baseline,82.1%,200ms""",
            "table_caption": "性能对比结果",
        }],
        mode="hybrid",
    )
    print(f"Answer: {multimodal_result}")

    # 多模态查询 - 结合数学公式
    equation_result = await rag.aquery_with_multimodal(
        "解释这个公式并与文档中的相关概念关联",
        multimodal_content=[{
            "type": "equation",
            "latex": r"F1 = 2 \cdot \frac{precision \cdot recall}{precision + recall}",
            "equation_caption": "F1-Score 计算公式",
        }],
        mode="hybrid",
    )
    print(f"Answer: {equation_result}")

if __name__ == "__main__":
    asyncio.run(main())

代码要点解读

• RAGAnythingConfig 是核心配置类，支持灵活启用或禁用各模态处理能力
• 支持三种解析器（mineru / docling / paddleocr），适配不同文档类型
• vision_model_func 是独立于 llm_model_func 的图像处理通道
• aquery() 执行纯文本查询，aquery_with_multimodal() 支持注入表格、公式等多模态内容进行联合检索
• mode="hybrid" 表示使用向量搜索与图遍历相结合的混合检索模式

七、核心观点回顾

回顾全文，我们讨论了以下核心要点：

• RAG-Anything 是多模态 RAG 领域的标杆项目，由 HKUDS 团队开发，构建于 LightRAG 之上，定位为 All-in-One 多模态文档处理 RAG 系统。
• 它解决了传统 RAG 系统的根本局限——企业文档中 70% 以上的信息存在于非文本载体（图片、表格、公式）中，传统方案无法有效处理这些内容。
• 统一解析：PDF、Office 文档、图片等一切文件类型，都能统一解析为文本 + 图像 + 表格 + 公式的结构化表示。
• 多模态知识图谱：不仅仅是“搜到内容”，更能建立跨模态的语义关联——让 AI 真正理解图片中的表格、表格旁边的文字、文字中引用的公式之间的逻辑关系。
• 开箱即用：相比 LangChain（需拼接）、LlamaIndex（能力有限）、GraphRAG（成本高昂），RAG-Anything 提供了一站式解决方案。

八、参考与延伸

• GitHub 仓库：https://github.com/HKUDS/RAG-Anything
• 技术报告：arXiv:2510.12323
• PyPI 包：raganything
• 官方示例：examples/raganything_example.py
• 依赖框架：LightRAG、MinerU