近年来，检索增强生成（RAG）技术的高速演进，正深刻重塑语言模型对外部知识的利用方式。在问答系统、文档合成等广泛场景中，RAG 展现出卓越的能力。然而，当前主流 RAG 系统高度依赖大型语言模型（LLMs）完成从知识检索到响应生成的完整流程。这种强依赖虽然带来了优异性能，却也伴随着显著的计算开销与资源消耗，给边缘设备、隐私敏感应用及实时系统的落地带来了严峻挑战。 随着对高效轻量语言模型的需求持续攀升，资源受限环境迫切需要更经济可行的方案。但现实是，当尝试用小型语言模型（SLMs）替代 LLMs 时，现有 RAG 框架的短板便暴露无遗。这些紧凑型模型虽具备计算效率与部署灵活性，却在 RAG 的关键环节频频受阻： - **语义理解能力不足**：SLMs 难以准确捕捉复杂的自然语言查询意图。 - **信息检索效率低下**：现有架构设计高度依赖 LLM 的推理能力，SLMs 难以高效适配。 - **性能显著衰减**：复杂查询、多步推理与细粒度信息合成任务对 SLM 构成较大压力，实际表现常低于预期。 这种架构不匹配陷入了两难境地：要么严重牺牲性能，要么大幅提升计算成本，彻底偏离了 RAG 在资源受限场景下的设计初衷。 针对这些核心痛点，学界推出了 MiniRAG——一个专为小语言模型打造的极简高效 RAG 框架。其核心理念在于通过创新架构与优化技术，使 SLM 在保持性能的同时满足轻量化需求。

两大技术创新：

1. **语义感知异构图索引** MiniRAG 将文本块与命名实体整合至统一的异构图结构，大幅降低了对复杂语义理解的依赖。借助该机制，SLMs 无需深层推理即可高效检索与关联相关信息。 2. **轻量级拓扑增强检索** 实验引入了一种基于图结构的知识发现方法，通过分析文本节点间的拓扑关系，帮助模型快速定位核心信息。该方案不依赖高级语言能力，仍能实现高效精准的知识检索。 为应对上述挑战，MiniRAG 系统性地引入了两项创新设计： - **异构图索引机制**：通过统一结构将文本块与命名实体相结合，简化语义理解过程，显著降低 SLM 对复杂语言能力的依赖。例如，它能自动识别关键上下文关联，无需深入推理。 - **拓扑增强检索方法**：基于图结构的轻量级检索路径，利用节点间关系优化信息获取的精确度与效率。即便面对嘈杂数据，也能高效筛选出相关内容。 MiniRAG 通过引入语义感知的图索引与拓扑增强检索方法，为 SLM 在资源受限场景中的高效部署提供了强有力的支撑。实验数据表明，MiniRAG 在保持接近 LLM 性能的前提下，仅消耗 25% 的资源。这一突破为边缘设备与隐私敏感应用开启了全新局面。