RAGU：多步图检索增强生成引擎及紧凑领域适配大模型

开源项目RAGU发布了一个模块化多步GraphRAG引擎，通过两阶段类型提取、DBSCAN去重、LLM摘要和Leiden社区检测分离知识图谱构建中的提取与整合。同时训练了7B参数专用模型Meno-Lite-0.1，聚焦语言理解技能，在知识图谱构建上比Qwen2.5-32B提升12.5%，在医学基准上召回率达0.84以上，超HippoRAG2。项目可pip安装，单GPU运行，MIT协议开源。

现有GraphRAG系统一次抽取知识图谱，噪声多且检索脆弱。RAGU将提取与整合分离，并通过紧凑型7B模型证明语言技能随模型规模增长微弱，实现了更高效的知识图谱构建与更完整的上下文检索。

RAGU将知识图谱构建拆分为抽取和整合两个阶段：先用两阶段类型抽取提取实体关系，再用DBSCAN去重、LLM摘要和社区检测整合。核心洞察是管道中大模型所需技能（理解、抽取、推理）是语言技能，与模型规模弱相关，因此可用紧凑模型替代大模型，减少资源消耗且不损失效果。

RAGU可在单GPU上运行，MIT开源，大幅降低GraphRAG的硬件和许可证成本。7B模型Meno-Lite-0.1专为语言技能优化，开发者可将其集成到现有RAG管道中，以更小模型获得更好或相当的知识图谱构建效果，特别适合医疗等垂直领域。

• 将RAGU集成到企业知识管理系统中，用于多跳问答和事实核查场景，替代现有基于单次提取的GraphRAG方案。
• 基于Meno-Lite-0.1开发领域特定知识图谱构建服务，例如在法律、金融等文档密集行业提供低成本自动化图谱生成。
• 利用RAGU的模块化设计，将其作为插件加入现有RAG框架（如LangChain、LlamaIndex），提供graph-retrieval能力。

• RAGU在非医学领域（如金融、法律）的GraphRAG任务上能否保持对比HippoRAG2的优势？
• Meno-Lite-0.1是否支持通过领域数据微调以进一步提升特定领域抽取效果？
• RAGU处理百万级节点的大规模知识图谱时，单GPU性能与可扩展性如何？