RAG-Anything（HKUDS/RAG-Anything）是港大数据智能实验室（HKUDS）出品的多模态 RAG 框架，定位为「All-in-One」的多模态文档处理与检索增强系统，构建在同团队的 LightRAG 之上。它针对现代文档常含文本、图像、表格、公式、图表等多模态内容、而传统纯文本 RAG 难以处理的问题，提供在单一框架内处理与查询多种模态内容的能力，含 VLM 增强查询、上下文配置等。MIT 许可，约 20,575 stars，主语言 Python，PyPI 包名 raganything，有技术报告（arXiv:2510.12323）。
来源：README.md（标题、System Overview、News）；GitHub 仓库元数据（stars=20575、language=Python、license=MIT、topics multi-modal-rag） 查看 GitHub 仓库 →RAG 已是 LLM 应用主流，但多数系统以文本为主，面对含图像/表格/公式的真实文档力不从心。RAG-Anything 把多模态文档处理与检索整合到一个基于 LightRAG 的框架里，支持文本、图像、表格、公式的查询与 VLM 增强分析，免去拼多种专用工具，契合「多模态 RAG」热点，且有技术报告与活跃迭代、HKUDS 背书，因而 star 快速增长。需说明：多模态解析与检索质量取决于所用解析器、嵌入与 VLM 等组件；它继承 LightRAG 的架构与依赖。截至数据采集约 20,575 stars。
来源：README.md（System Overview、News）；GitHub 仓库元数据（stars=20575、pushed_at 2026-05）在单一框架内处理并查询文本、图像、表格、公式等多模态内容。
来源：README.md（System Overview、News 的 multimodal query）文档含图像时整合到视觉语言模型做联合视觉+文本分析，获得更深理解。
来源：README.md（News 的 VLM-Enhanced Query）提供上下文配置模块，智能整合相关上下文以增强多模态内容处理。
来源：README.md（News 的 context configuration module）构建在 LightRAG 之上，继承其图/向量检索能力，作为统一多模态方案。
来源：README.md（System Overview、Based on LightRAG）RAG-Anything 构建在 LightRAG 之上，提供端到端的多模态文档 RAG 流程：解析文档中的多模态内容（文本、图像、表格、公式、图表等），对各模态做相应处理与索引，检索时支持多模态查询与「VLM 增强查询」——当文档含图像时把图像送入视觉语言模型做联合视觉+文本分析；并提供上下文配置模块以智能整合相关上下文增强处理。它继承 LightRAG 的图/向量检索能力，作为统一框架免去拼接多种专用工具。以 Python 实现（需 Python 3.10），PyPI 包 raganything，支持 uv 安装。
来源：README.md（System Overview、News 的 VLM-Enhanced/context module、Based on LightRAG）；GitHub 仓库元数据（language=Python）中心为项目本体，内环 = 核心功能模块，外环 = 关键技术依赖；按 deep.json 中的 core_features 与 tech_stack.key_deps 自动生成
LightRAG（底层 RAG）文档/多模态解析器嵌入模型与视觉语言模型（VLM）LLM适合需要对含图文表公式的真实文档做问答与检索的团队：技术文档/论文/报表/手册等多模态资料的知识库问答、跨模态检索与分析，以及需要 VLM 联合理解图像与文本的场景；也适合在 LightRAG 基础上扩展多模态能力。落地需结合文档解析质量、所用 LLM/VLM 与嵌入模型评估效果与成本。
来源：README.md（System Overview、News）本页未列固定版本号；RAG-Anything 通过 PyPI（raganything）发布，2025 年陆续加入多模态查询、VLM 增强查询、上下文配置等，并于 2025.10 发布技术报告（arXiv:2510.12323）。仓库最后更新约在 2026 年 5 月，维护活跃。
来源：README.md（News、PyPI 徽章）；GitHub pushed_atRAG-Anything 是 HKUDS 出品、构建在 LightRAG 之上的多模态 RAG 框架：把含文本、图像、表格、公式的文档处理与检索整合到一个框架，支持多模态查询与 VLM 增强分析、上下文配置，免去拼接多种专用工具，有技术报告与活跃迭代，对做多模态文档知识库的团队很实用。要清楚多模态解析与检索质量依赖解析器、嵌入与 VLM 等组件、继承 LightRAG 的配置门槛、VLM 增强会增加成本、效果随文档与模型而异。作为「多模态 RAG」方向的统一开源方案，定位清晰、能力对口。
来源：综合 README.md 的定位、多模态能力、LightRAG 基础与适用场景RAG-Anything（HKUDS/RAG-Anything）是港大数据智能实验室（HKUDS）出品的多模态 RAG 框架，定位为「All-in-One」的多模态文档处理与检索增强系统，构建在同团队的 LightRAG 之上。它针对现代文档常含文本、图像、表格、公式、图表等多模态内容、而传统纯文本 RAG 难以处理的问题，提供在单一框架内处理与查询多种模态内容的能力，含 VLM 增强查询、上下文配置等。
RAG-Anything 的核心功能包括：多模态文档 RAG、VLM 增强查询、上下文配置、基于 LightRAG。
RAG 已是 LLM 应用主流，但多数系统以文本为主，面对含图像/表格/公式的真实文档力不从心。RAG-Anything 把多模态文档处理与检索整合到一个基于 LightRAG 的框架里，支持文本、图像、表格、公式的查询与 VLM 增强分析，免去拼多种专用工具，契合「多模态 RAG」热点，且有技术报告与活跃迭代、HKUDS 背书，因而 star 快速增长。
适合需要对含图文表公式的真实文档做问答与检索的团队：技术文档/论文/报表/手册等多模态资料的知识库问答、跨模态检索与分析，以及需要 VLM 联合理解图像与文本的场景；也适合在 LightRAG 基础上扩展多模态能力。落地需结合文档解析质量、所用 LLM/VLM 与嵌入模型评估效果与成本。