传统RAG只管文字碰到图表、公式就直接“摆烂”RAG-Anything 2026版强势升级不管是PDF里的架构图、数据表格还是复杂LaTeX公式通通拿下小白也能快速上手问题出在哪很多程序员和大模型初学者入门RAG都会从LightRAG入手——毕竟它轻量、简单纯文字文档的检索准确率也很能打用来做简单的文档问答系统完全够用。但只要一碰到真实场景的文档就容易“翻车”。前段时间我用LightRAG做内部技术文档检索产品经理扔来一份行业报告PDF里面一半是架构图、数据对比表还有几个复杂的LaTeX公式跑出来的检索结果驴唇不对马嘴完全没法用。问题根源很简单LightRAG本质是纯文本RAG它只会从PDF里抽取文字构建知识图谱对非文字内容直接“无视”——图片跳过、表格勉强抽成乱码文本丢了结构、公式直接忽略。要知道真实场景里的技术文档、学术论文、行业报告图表和公式的信息量往往比纯文字还大一张架构图能说清整个系统的逻辑一张数据表格能直观呈现对比结果一个公式能概括核心原理。传统RAG的“文字洁癖”在实际开发中根本不够用。直到我挖到了RAG-Anything 2026版——它完美解决了这个痛点堪称“多模态RAG小白福音”。RAG-Anything 多模态 RAG 架构/ / /它在 LightRAG 上面做了什么RAG-Anything 是 HKUDS港大数据科学实验室在 LightRAG 基础上搭的多模态扩展层。核心思路一句话把文档里所有类型的内容——文字、图片、表格、公式——都塞进同一个知识图谱。听起来不复杂工程上要解决的事情不少。它的处理流水线分五个阶段我按顺序说。第一步文档解析。用 MinerU 做高保真的结构抽取把 PDF 拆成文字块、图片块、表格块、公式块。不是简单的 OCR 暴力抽文字是保留了文档的层级关系和空间位置。除了 MinerU 还支持 Docling 和 PaddleOCR 两个 parser但 MinerU 是默认的。第二步内容分类路由。每个内容块自动判断类型图片/表格/公式/纯文字然后分发到对应的处理管线。这步是并发跑的多管线同时处理。五阶段处理流水线第三步多模态分析引擎。这是核心。四个专用分析器●Visual Content Analyzer给图片生成描述、识别空间关系●Structured Data Interpreter解析表格结构、提取统计模式●Mathematical Expression Parser处理 LaTeX 公式理解数学语义●通用扩展器你可以自己写处理器来支持新的模态第四步构建多模态知识图谱。把上面分析出来的所有实体和关系不管来自文字还是图表统一灌进一个图谱。跨模态的关系映射是自动做的比如图3 展示了表2 中数据的趋势这种引用关系它能自动关联。第五步模态感知检索。检索的时候用向量图谱混合搜索排序算法会考虑内容的模态类型。/ / /实际用起来是什么样安装倒是不复杂。pip install raganything一行搞定想要全功能就pip install raganything[all]。处理 Office 文档需要装 LibreOffice这个是唯一的外部依赖。安装与使用流程查询有三种模式纯文本查询——走 LightRAG 原生的检索支持 hybrid/local/global/naive 四种模式。如果你的文档都是纯文字用这个就够了跟直接用 LightRAG 没区别。VLM 增强查询——检索到包含图片的上下文时自动调 VLM视觉语言模型来分析图片内容把图片信息也纳入回答。这个模式不需要你显式指定框架自动判断。多模态查询——你可以指定帮我分析这份文档里的表格数据或者解释这个公式它会针对性地检索和分析对应模态的内容。讲真VLM 增强查询这个设计我觉得想得比较好。用户不需要知道底层有几种模态问就完了。/ / /支持什么格式列一下文档多模态元素PDF、DOCX、PPTX、XLSX照片、图表、截图JPG/PNG/BMP/TIFF/GIF/WebP数据表格、统计摘要TXT、MarkdownLaTeX 公式支持的文档格式基本上常见的文档格式都覆盖了。PPTX 的支持我觉得挺实用的——很多公司的技术方案都在 PPT 里里面全是图和表传统 RAG 对 PPT 基本无能为力。/ / /几个技术细节Parser 选择这块值得说说。三个 parser 各有侧重●MinerUPDF 和图片最强有 OCR 和表格抽取支持 GPU 加速。默认选它。●DoclingOffice 文档更强文档结构保留得更好。●PaddleOCR纯 OCR 场景轻量适合文字为主的图片。我自己测下来的感觉不一定准如果你的文档以 PDF 为主且有大量图表MinerU 效果最好。纯 Office 文档走 Docling 可能更合适。PaddleOCR 适合图片里有文字的场景。知识图谱构建用的是 LightRAG 的底子加了多模态实体抽取和跨模态关系映射。图谱里的节点不再只是文字实体还包括图3、“表2”、公式(1)这种多模态实体。多模态知识图谱示意检索排序做了模态感知的加权。比如用户问xx 指标的趋势包含相关表格的节点权重会被提高。这个比一视同仁地只看文本相似度要靠谱。/ / // / /跟其他方案比RAG-Anything 出自 HKUDS 实验室跟 LightRAG 是同一个团队。他们还有几个相关项目●LightRAG纯文本 RAG简单快●VideoRAG超长视频 RAG●MiniRAG极简版 RAGRAG-Anything 在这个系列里定位是什么都能吃的 RAG。16.8k stars2k forksMIT 协议。相关项目生态跟 LangChain Unstructured 的组合相比RAG-Anything 的优势在于它不只是把多模态内容转成文字然后走文本 RAG而是在知识图谱层面保留了模态信息和跨模态关系。缺点也有——它强依赖 MinerU 的解析质量如果 MinerU 对某种 PDF 解析得不好后面每一步都会受影响。另外说一下官方 2025 年 10 月发了 arXiv 论文2510.123232025 年 8 月加了 VLM 增强查询模式。项目还在活跃迭代。/ / /写在最后RAG-Anything 解决了一个很具体的痛点真实世界的文档不只有文字但大多数 RAG 框架只处理文字。它的做法是在 LightRAG 上加一层多模态理解让图片、表格、公式都变成知识图谱的一等公民。我觉得这个方向是对的。不过目前的效果取决于两个环节MinerU 的解析质量和 VLM 的理解能力。这两个环节但凡有一个拉胯最终的检索效果就会打折扣。仓库地址https://github.com/HKUDS/RAG-Anything如果你正在做文档问答系统而且你的文档里不只有文字——试试这个可能会省你不少事。也可能会给你带来新的坑MinerU 的 GPU 配置就够折腾一阵的但至少方向没问题。那么如何学习大模型 AI 对于刚入门大模型的小白或是想转型/进阶的程序员来说最头疼的就是找不到系统、全面的学习资源要么零散不成体系要么收费高昂白白浪费时间走弯路。今天就给大家精心整理了一份全面且免费的AI大模型学习资源包覆盖从入门到实战、从理论到面试的全流程所有资料均已整理完毕免费分享给各位核心包含AI大模型全套系统化学习路线图小白可直接照做、精品学习书籍电子文档、干货视频教程、可直接上手的实战项目源码、2026大厂面试真题题库一站式解决你的学习痛点不用再到处搜集拼凑扫码免费领取全部内容1、大模型系统化学习路线学习大模型方向比努力更重要很多小白入门就陷入“盲目看视频、乱刷资料”的误区最后越学越懵。这里给大家整理的这份学习路线是结合2026年大模型行业趋势和新手学习规律设计的最科学、最系统从零基础到精通每一步都有明确指引帮你节省80%的无效学习时间少走弯路、高效进阶。2、大模型学习书籍文档理论是实战的根基尤其是对于程序员来说想要真正吃透大模型原理离不开优质的书籍和文档支撑。本次整理的书籍和电子文档均由大模型领域顶尖专家、大厂技术大咖撰写涵盖基础入门、核心原理、进阶技巧等内容语言通俗易懂既有理论深度又贴合实战场景小白能看懂程序员能进阶为后续实战和面试打下坚实基础。3、AI大模型最新行业报告无论是小白了解行业、规划学习方向还是程序员转型、拓展业务边界都需要紧跟行业趋势。本次整理的2026最新大模型行业报告针对互联网、金融、医疗、工业等多个主流行业系统调研了大模型的应用现状、发展趋势、现存问题及潜在机会帮你清晰了解哪些行业更适合大模型落地哪些技术方向值得重点深耕避免盲目学习精准对接行业需求。值得一提的是报告还包含了多模态、AI Agent等前沿方向的发展分析助力大家把握技术风口。4、大模型项目实战配套源码对于程序员和想落地能力的小白来说“光说不练假把式”只有动手实战才能真正巩固所学知识将理论转化为实际能力。本次整理的实战项目涵盖基础应用、进阶开发、多场景落地等类型每个项目都附带完整源码和详细教程从简单的ChatPDF搭建到复杂的RAG系统开发、大模型部署难度由浅入深小白可逐步上手程序员可直接参考优化既能练手提升技术又能丰富简历为求职和职业发展加分。5、大模型大厂面试真题2026年大模型面试已从单纯考察原理转向侧重技术落地和业务结合的综合考察很多程序员和新手因为缺乏针对性准备明明技术不错却在面试中失利。为此我精心整理了各大厂最新大模型面试真题题库涵盖基础原理、Prompt工程、RAG系统、模型微调、部署优化等核心考点不仅有真题还附带详细解题思路和行业踩坑经验帮你精准把握面试重点提前做好准备面试时从容应对、游刃有余。6、四阶段精细化学习规划附时间节点可直接照做结合上述资源给大家整理了一份可直接落地的四阶段学习规划总时长约2个月小白可循序渐进程序员可根据自身基础调整节奏高效掌握大模型核心能力快速实现从“入门”到“能落地、能面试”的跨越。第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…扫码免费领取全部内容3、这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】