使用场景

在移动设备上部署RAG系统，为用户提供快速准确的问答服务。

在边缘计算环境中，利用MiniRAG进行实时文本生成任务，如自动摘要、内容创作等。

学术研究中，作为轻量级RAG系统的基准模型，进行算法优化和性能评估。

产品特色

提供异构图索引机制，结合文本块和命名实体，减少对复杂语义理解的依赖。

采用轻量级拓扑增强检索方法，利用图结构进行高效知识发现，无需高级语言能力。

在使用小型语言模型时，仍能实现与大型语言模型相当的性能。

仅需25%的存储空间，大大降低了部署成本。

提供了一个全面的基准数据集LiHua-World，用于评估轻量级RAG系统在真实设备场景下的性能。

支持从源代码安装和通过PyPI安装，方便开发者快速上手。

代码结构清晰，易于理解和扩展，便于开发者进行二次开发。

使用教程

1. 从GitHub克隆MiniRAG仓库到本地。

2. 通过命令`pip install -e .`从源代码安装MiniRAG，或通过`pip install lightrag-hku`从PyPI安装。

3. 下载所需的LiHua-World数据集，并将其放置在`./dataset/LiHua-World/data/`目录下。

4. 使用`python ./reproduce/Step_0_index.py`命令对数据集进行索引。

5. 运行`python ./reproduce/Step_1_QA.py`进行问答任务，或使用`main.py`中的代码初始化MiniRAG。

6. 根据需要调整参数和配置，进行模型训练和优化。