是在LightRAG基础上扩展的，LightRAG也真是火爆17.8K星了。
RAG-Anything继承了LightRAG架构，整体如下：
文档解析阶段
集成 MinerU 文档解析框架
自动识别并提取文档中的文本块、图像、表格、公式等异构元素，保持元素间的语义关联关系。
支持PDF、Office文档系列（DOC/DOCX/PPT/PPTX/XLS/XLSX）、图像等主流格式的统一处理与标准化输出。
多模态内容理解与处理
通过自主分类路由机制实现异构内容的智能识别与优化分发。
自动识别、分类并将不同内容类型路由至优化的执行通道。
通过专用处理流水线实现文本和多模态内容的并发执行。这种方法在保持内容完整性的同时最大化吞吐效率。
多模态分析
为自定义和新兴内容类型提供可配置的处理框架 通过插件架构实现新模态处理器的动态集成 支持专用场景下处理流水线的运行时配置 高精度解析复杂数学表达式和公式
提供原生LaTeX格式支持以实现与学术工作流的无缝集成
建立数学方程与领域特定知识库间的概念映射
对表格和结构化数据格式进行系统性解释
实现数据趋势分析的统计模式识别算法
识别多个表格数据集间的语义关系和依赖性
图像分析和内容识别
视觉语义生成上下文感知的描述性标题
提取视觉元素间的空间关系和层次结构
视觉内容分析,包括：
结构化数据分析
数学表达式解析
可扩展模态
创建多模态知识图谱
多模态实体提取：将重要的多模态元素转换为结构化知识图谱实体。该过程包括语义标注和元数据保存。
跨模态关系映射：在文本实体和多模态组件之间建立语义连接和依赖关系。通过自动化关系推理算法实现这一功能。
层次结构保持：通过"归属于"关系链维护原始文档组织结构。这些关系链保持逻辑内容层次和章节依赖关系。
加权关系评分：为关系类型分配定量相关性分数。评分基于语义邻近性和文档结构内的上下文重要性。
多模态检索
向量-图谱融合：集成向量相似性搜索与图遍历算法。该方法同时利用语义嵌入和结构关系实现全面的内容检索。
模态感知排序：实现基于内容类型相关性的自适应评分机制。系统根据查询特定的模态偏好调整排序结果。
关系一致性维护：维护检索元素间的语义和结构关系。确保信息传递的连贯性和上下文完整性。