TOOL

RAG-Anything葡萄酒数据实测

我在65本葡萄酒书籍上测试了RAG-Anything。这是知识图谱做对的地方——以及遗漏的地方。

admin

• 8 min read
RAG-Anything葡萄酒数据实测
微信 ezpoda免费咨询：AI编程 | AI模型微调| AI私有化部署
AI工具导航 | Tripo 3D | Meshy AI | ElevenLabs | KlingAI | ArtSpace | Phot.AI | InVideo

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）：

  1. 事实查找（局部）："Tempranillo的典型酸度范围是什么？"
  2. 关系推理（全局）："与Pauillac气候条件相似的产区有哪些？"
  3. 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
)

6、成本与实际考虑

摄取成本（65本PDF，平均150页）：

  • MinerU解析：$12（VLM-based，更慢但更准确）
  • Docling解析：$3（更快，表格准确度较低）
  • 实体提取：$8（gpt-4，每文档约1,200令牌）
  • 图谱存储：免费（NetworkX）或$5/月（Neo4j Aura免费层）

总摄取：约$23一次

查询成本（平均每查询）：

  • 本地模式：$0.04
  • 全局模式：$0.18（更多令牌用于图谱遍历）
  • 朴素RAG：$0.02

结论：如果你主要处理关系查询，额外成本值得。如果主要是事实查找，坚持朴素RAG。

7、什么时候使用RAG-Anything

使用它，当：

  • 你的领域有显式关系（葡萄酒、医学、法律、供应链）
  • 用户提出需要跨文档综合的问题
  • 你有足够文档使摄取成本值得（>20个复杂文档）
  • 你需要可解释性（"为什么这个答案？」展示图谱路径）

跳过它，当：

  • 文档大多是独立的（API文档、独立文章）
  • 查询是简单的事实查找
  • 延迟至关重要（图谱遍历增加1-3秒）
  • 你的领域是扁平的，没有丰富关系

我的实际建议：

  • 从混合模式开始。它结合了局部和全局的最佳，自动路由。
  • 投资实体提取。最便宜的查询改进是更好的实体识别。自定义你的提示。
  • 监控图谱密度。稀疏图谱（少关系）表现像昂贵向量RAG。检查提取指标。
  • 使用正确的存储。NetworkX用于原型（<10k节点）。当规模扩大时转向Neo4j。

8、结束语

RAG-Anything交付了它所承诺的：一种结合向量检索和知识图谱遍历的实用方法，用于多模态文档。

它并不在所有地方都更好。对于简单的事实查找，它是开销。但对于关系推理——"这个如何影响那个"的问题——它比朴素RAG有显著改进。

关键是你领域的结构。葡萄酒非常关系化。你的领域可能不是。

我仍在使用它处理我的葡萄酒收藏。65本书，现在可查询的关联。不是炒作。只是有效。

原文链接: I Tested RAG-Anything on 65 Wine Books.

汇智网翻译整理，转载请标明出处