当前位置：首页 > news >正文

RAG-Anything葡萄酒数据实测

news 2026/8/1 12:35:06

我相信通过实践来评估框架。不是通过阅读基准测试。不是通过浏览README。而是通过构建真实的东西，触及边界，并测量发生了什么。

所以当RAG-Anything出现在我的雷达上——一个来自香港大学的开源框架，承诺从多模态文档自动构建知识图谱——我清楚地知道要拿什么来测试它：我的葡萄酒书籍收藏。显而易见的问题——为什么我会有这样的收藏？虽然不是专业品酒师，但我确实完成了WSET课程/考试，不知何故很享受这个过程。

葡萄酒是知识图谱RAG的完美压力测试。这个领域本质上就是关系性的。单宁影响陈年潜力。酸度与单宁相互作用。酵母驱动发酵，产生风味化合物。葡萄品种连接到地区，地区连接到气候，气候连接到葡萄酒风格。如果有什么领域应该从结构化实体-关系提取中受益，而不是扁平向量搜索，那就是这个。

我想回答的具体问题：RAG-Anything能否从真实PDF书籍中提取有用的知识图谱，并比朴素向量搜索更好地回答葡萄酒问题？

这是RAG-Anything承诺的要点。它建立在LightRAG之上（你可以在前面的文章中找到），用多模态文档解析（支持PDF、DOCX、图片）、自动实体-关系提取到知识图谱，以及五种不同的查询模式来让你权衡图谱遍历和向量检索——总的来说听起来很有前景。它支持多种解析器（MinerU、Docling、PaddleOCR）、多种LLM后端，并在摄取期间处理表格、图片和方程。该项目在GitHub上拥有超过15,000颗星——这不是我检查的第一个指标，但仍然令人印象深刻。

你从本文中获得的内容：真实实验的诚实基准、可运行的代码、以及图RAG何时有帮助何时没有的清晰画面。没有炒作，没有挑选的演示。

1、RAG-Anything如何工作（60秒版本）

架构有两个阶段：摄取和查询。

摄取将PDF通过以下管道：

PDF文档 | v [文档解析器] ─── MinerU（基于VLM）或Docling（更轻/更便宜） | v [内容提取] ─── 文本、表格、图片、公式 | v [实体-关系提取] ─── LLM提取（葡萄酒、地区、化合物、年份） | v [图谱构建] ─── 存储在Neo4j或NetworkX中

查询有五种模式：

本地：使用向量搜索找到相关的文本块
全局：遍历知识图谱，回答需要跨文档综合的问题
混合：结合两者
仅向量：传统的RAG
仅图谱：仅使用结构化关系
关键洞察：本地模式处理"这种葡萄酒的酸度是多少？“；全局模式处理"哪些地区的葡萄酒单宁和酸度平衡相似？”

2、实验设置

语料库：65本PDF葡萄酒书籍，涵盖产区、葡萄品种、酿造、品鉴。

基准问题（三类）：

事实查找（局部）：“Tempranillo的典型酸度范围是什么？”
关系推理（全局）：“与Pauillac气候条件相似的产区有哪些？”
综合（混合）：“描述Bordeaux 2010年份的品质以及它如何影响了Cabernet Sauvignon的酚类成熟度”
指标：

答案相关性（人工评分1-5）
检索准确性（相关实体命中）
延迟（端到端时间）
令牌使用量
基线：朴素向量RAG（无图谱，仅嵌入+相似性搜索）

3、结果：图谱RAG何时获胜

3.1 关系问题：大幅获胜

问题：“哪些凉爽气候产区生产与Burgundy的Pinot Noir风格相似的葡萄酒？”

朴素向量RAG：检索了关于Burgundy Pinot Noir的块，但错过了提及类似风格的凉爽气候产区的关联章节。

RAG-Anything（全局模式）：遍历图谱：

Burgundy → Pinot Noir → 凉爽气候 → [Oregon、新西兰Central Otago、德国Ahr]
找到连接：土壤类型、温度范围、风格描述符
人工评分：朴素2.5/5，图谱4.5/5

原因：当答案分布在多个文档中，需要显式关系时，图谱遍历有效。

3.2 对比问题：中等获胜

问题：“Priorat和Rioja葡萄酒在单宁结构和陈年方法上有何不同？”

朴素RAG：检索了两个产区的段落，但没有直接对比。

图谱RAG：找到"Priorat → 高单宁 → 需要陈年 → 瓶中发展"和"Rioja → 中等单宁 → 可选陈年 → 橡木影响"，然后综合。

人工评分：朴素3.0/5，图谱4.0/5

3.3 简单事实查找：平局（图谱稍慢）

问题：“Merlot的平均酒精度范围是什么？”

两者都正确回答（13-14.5% ABV）。图谱RAG额外工作遍历实体节点。

延迟：朴素0.8秒，图谱2.3秒

令牌使用：朴素1200，图谱3400

结论：对于可以直接从文本中回答的简单事实，额外的图谱开销并不值得。

4、陷阱：知识图谱遗漏的地方

4.1 实体提取失败

问题：“Cardan是什么，它与Bordeaux葡萄酒有什么关系？”

RAG-Anything的提取器错过"Cardan"，因为它出现在脚注讨论旋转混合（pumpover）技术中，不是主要实体。图谱没有节点。

修复：摄入前的自定义实体提示（如果你有领域术语表）。

4.2 关系粒度

问题：“酵母菌株如何影响Malbec的风味？”

图谱有"酵母 → 发酵 → 风味"但没有具体的菌株-化合物映射。过于泛化。

根本原因：LLM提取倾向于高阶关系（“影响”）而不是详细机制。

4.3 多跳推理限制

问题：“哪些葡萄园的收购导致了2010年代Bordeaux价格膨胀，这对出口到亚洲有何影响？”

需要4+跳：收购 → 价格变化 → 出口市场 → 地区影响。

RAG-Anything在3跳后停止（默认设置）。图谱遍历深度是可配置的，但每次额外跳都增加延迟。

5、代码示例：运行你自己的评估

以下是你可以适应自己领域的内容：

from rag_anything import RAGAnything, QueryMode import pandas as pd # 初始化 rag = RAGAnything( llm_model="gpt-4", embedding_model="text-embedding-3-large", graph_storage="networkx", # 或 "neo4j" document_parser="docling" # 或 "mineru" ) # 摄取语料库 rag.ingest_documents("./wine-books/*.pdf") # 查询不同模式 modes = [QueryMode.LOCAL, QueryMode.GLOBAL, QueryMode.HYBRID] results = {} for mode in modes: response = rag.query( "哪些凉爽气候产区生产Pinot Noir？", mode=mode ) results[mode] = { "answer": response.text, "sources": response.sources, "latency": response.latency_ms, "tokens": response.token_usage } # 与朴素RAG比较（无图谱） baseline = rag.query( "哪些凉爽气候产区生产Pinot Noir？", mode=QueryMode.VECTOR_ONLY )