RAG-Anything测评：港大开源的全能RAG框架，真的"万物皆可RAG"吗
丢进去一份50页的技术PDF，它能把里面的文字、图表、公式、表格全部理解，然后你随便问它什么都能答上来。听起来很爽，但实际用起来到底怎么样？我用了一天半，把真实场景跑了一遍。
RAG-Anything是什么
一句话：港大HKUDS团队开源的多模态RAG系统，能处理PDF、Office、图片、表格、公式，统一索引后做智能检索。
基于LightRAG构建。如果你用过LightRAG，RAG-Anything可以理解为它的"多模态增强版"------不是在文本RAG上拼一个图片解析插件，而是从底层就为多模态内容设计的。
GitHub仓库：HKUDS/RAG-Anything，今天早上看的时候是786 Star，写着这篇文章的时候又涨了。
为什么值得关注
传统的RAG方案有一个共同的痛点：文档里有表格和图片怎么办？
大多数RAG框架（LangChain、LlamaIndex）处理纯文本没问题，但遇到带表格的技术文档、带公式的研究论文、带图表的商业报告，要么忽略这些内容，要么需要你自己写一堆预处理代码。
RAG-Anything的卖点是：你丢一份PDF进去，它自动处理所有格式的内容，包括图表和公式，然后统一建立索引。
部署实录
环境准备
Python 3.10+
显卡：建议有GPU（文档解析阶段会用视觉模型）
硬盘：预留至少10GB（MinerU模型文件比较大）安装
bash
# 最快的方式，pip直接装
pip install 'raganything[all]'到这里都很顺利。
踩坑一：LibreOffice
如果你要处理Office文档（.docx、.xlsx、.pptx），必须装LibreOffice。
Windows下直接去官网下载安装就行。但有个坑：装完之后要确认环境变量里能找到soffice命令，否则RAG-Anything会报找不到LibreOffice的错误。
踩坑二：MinerU模型下载
RAG-Anything用MinerU做文档解析。第一次使用的时候会自动下载模型，大约4-5GB。国内网络直接下载可能会超时，需要挂代理或者手动下载后放到缓存目录。
踩坑三：API Key
你需要提供OpenAI兼容的API Key（用于LLM推理和Embedding）。如果用OpenAI官方的就直接设置OPENAI_API_KEY。如果想用国产模型，可以通过OPENAI_BASE_URL指向兼容的API端点。
bash
# .env 文件
OPENAI_API_KEY=sk-xxxx
OPENAI_BASE_URL=https://api.deepseek.com/v1 # 用DeepSeek的话三个真实场景测试
场景一：技术文档检索
输入：一份45页的PRD文档（PDF格式，含需求表格、架构图、时序图）
测试方法：丢进去之后，问它一些具体的需求细节问题
问题1：用户权限模块支持哪些角色？
问题2：数据导出功能支持哪些格式？
问题3：订单模块的异常处理逻辑是什么？结果：三个问题都答对了。而且不只是从文字里找答案，表格里的角色权限配置也被正确理解了。
处理时间：45页文档，解析+索引大约用了8分钟（RTX 3060）。
场景二：含图表的技术报告
输入：一份12页的竞品分析报告（PDF，含3个对比表格和2个数据图表）
测试方法：
css
问题1：表格里A产品和B产品的价格分别是多少？
问题2：哪个产品的月活用户增长最快？结果：价格信息从表格里准确提取了。但图表类的问题回答得不太理想------它能识别到"图里有一个增长趋势"，但具体的数值读不准。
这是RAG-Anything目前的短板：文字和表格的处理很强，但图片/图表的精确数据提取还有提升空间。
场景三：多格式混合批量处理
输入：一个文件夹，里面有：
- 3个PDF（技术文档）
- 2个DOCX（会议纪要）
- 1个XLSX（项目排期表）
- 若干PNG图片（设计稿截图）
python
await rag.process_folder_complete(
folder_path="./project_docs",
output_dir="./output",
file_extensions=[".pdf", ".docx", ".xlsx", ".png"],
recursive=True,
max_workers=4
)结果：所有文件都处理成功了。PDF和DOCX的内容理解很好，XLSX的表格数据也能正确检索。图片（设计稿截图）识别到了，但语义理解比较浅------能描述"这是一个登录页面的设计图"，但无法从设计稿中提取交互逻辑。
跟其他RAG方案对比
| 维度 | RAG-Anything | LangChain + Unstructured | LlamaIndex |
|---|---|---|---|
| 文字处理 | 好 | 好 | 好 |
| 表格理解 | 强（专用分析器） | 一般（需额外配置） | 一般 |
| 公式解析 | 支持LaTeX | 不支持 | 不支持 |
| 图片理解 | 中等（VLM增强） | 需自己接Vision模型 | 需自己接 |
| 知识图谱 | 内置（LightRAG） | 需自己搭 | 需自己搭 |
| 多格式统一索引 | 原生支持 | 需手动编排 | 需手动编排 |
| 上手难度 | 中等 | 高 | 高 |
| 灵活度 | 中等（框架定了） | 高 | 高 |
一句话概括：RAG-Anything适合"文档丢进去就能用"，LangChain/LlamaIndex适合"每个环节都要自己控制"。
三种查询模式
RAG-Anything提供了三种查询方式，我用下来感受不同：
纯文本查询 （rag.aquery） 最常用的方式。问一个自然语言问题，它从知识库里找答案。支持四种模式：naive（基础向量检索）、local（局部图谱）、global（全局图谱）、hybrid（混合，推荐用这个）。
VLM增强查询 （rag.aquery(vlm_enhanced=True)） 回答问题的时候，会把相关的图片也发给视觉语言模型一起分析。适合"这个图表说明了什么"这类问题。但响应速度慢了不少，因为每次查询都要过一遍VLM。
多模态内容查询 （rag.aquery_with_multimodal） 可以手动传入表格或公式内容，跟问题一起提交。适合你已经知道要查哪个具体表格的场景。
性能实测
在我的测试环境（RTX 3060，16GB内存，i7-12700H）上：
| 操作 | 耗时 |
|---|---|
| 45页PDF解析+索引 | ~8分钟 |
| 单次文本查询 | 2-5秒 |
| VLM增强查询 | 8-15秒 |
| 批量文件夹处理（8个文件） | ~18分钟 |
| 磁盘占用（45页PDF） | ~2.3GB |
查询速度可以接受，但磁盘占用比较大。如果你要处理大量文档，存储是个需要提前规划的事。
适合什么场景
适合：
- 技术文档的知识库搭建（PRD、API文档、架构文档）
- 学术论文的检索和分析（含公式和图表的论文尤其合适）
- 企业内部文档管理（会议纪要、项目文档、竞品报告的统一检索）
- 需要处理表格数据的RAG场景（财务报表、数据报告等）
不太适合：
- 实时对话场景（索引构建时间长，不适合频繁更新的数据）
- 纯文本检索场景（杀鸡用牛刀，直接用LangChain更轻量）
- 对图片精确识别要求高的场景（设计稿、UI截图的语义理解还不够好）
写在最后
RAG-Anything解决了一个真实存在的痛点：大多数RAG框架对表格和公式的处理太弱了。
它的知识图谱+向量融合的检索方式确实比纯向量检索效果好，特别是当你需要跨文档、跨格式做关联查询的时候。
但它不是万能的。图片理解、部署复杂度、存储开销，这些都是需要你根据实际情况权衡的。
我的建议：如果你的项目里有大量带表格和公式的文档需要做检索，RAG-Anything值得一试。如果主要是纯文本，还是用你熟悉的方案就好。
代码和部署脚本我整理了一份，放在评论区了。
#RAG #知识库 #AI开发 #开源项目 #文档处理