MiniRAG

用小模型也能轻松搭建 RAG，省成本又高效

开源 🏷️完全免费 🔧 仅开源项目，无在线服务，需自行部署搜索知识 🍴 复刻 258 🐛 待处理 59 👀 关注 18

GitHub ↗

GitHub 星标 ★ 2033

维护状态低维护

是否开源开源

定价模式 🏷️完全免费开源项目，MIT许可证，可免费使用和部署。

项目预览

项目数据

分类搜索知识

开发团队HKUDS

GitHubhttps://github.com/HKUDS/MiniRAG

定价模式🏷️完全免费

价格说明开源项目，MIT许可证，可免费使用和部署。

访问状态🔧 仅开源项目，无在线服务，需自行部署

是否开源是

开源协议MIT

主要语言Python

技术栈/模型large-language-models,rag,retrieval-augmented-generation

GitHub 星标★ 2033

上线时间2025-01-11 00:00:00

代码更新2025-10-16

仓库体积5.6 MB

本站数据更新2026-11-10

维护状态低维护

收录时间2026-08-09

浏览次数2

项目介绍

MiniRAG 是一个面向小模型和开源模型的轻量级检索增强生成（RAG）框架，由 ACL 2026 论文提出。它旨在解决传统 RAG 系统依赖大型闭源模型、部署成本高、对资源受限场景不友好的问题。MiniRAG 通过引入基于异构图索引的机制，将文本块和命名实体统一建模，显著提升小模型在检索和答案生成中的语义理解能力，同时减少对复杂外部知识的依赖。其核心能力包括：支持多种小语言模型（如 Phi-3、Llama-3 等）、提供简洁的 API 接口、内置知识库构建与查询流程，并包含针对小模型优化的提示词策略。项目代码开源，易于集成到现有应用中，适合在边缘设备或低算力环境下快速搭建 RAG 服务。

Star 增长趋势

本站每日记录该项目 GitHub 星标变化，观测越久曲线越完整

数据来源：GitHub API 逐日快照 · 收录于 2026-08-09 · 当前星标 ★ 2033

技术标签

large-language-models rag retrieval-augmented-generation

使用教程

ℹ 本教程由 AI 依据该项目 README 整理，个别步骤可能需要按你的环境微调。

难度：入门约 10 分钟部署方式：本地安装 6 步

环境要求

Python 环境（README 未指定具体版本）
pip 包管理工具
已下载的数据集，放入 ./dataset 目录
可选：Docker/API 部署需参考 ./minirag/api/README.md

安装与启动步骤

1克隆仓库

从 GitHub 获取 MiniRAG 源码并进入项目目录；README 的安装示例以 MiniRAG 目录为前提。
```
git clone https://github.com/HKUDS/MiniRAG.git
cd MiniRAG
```
2源码安装

在项目根目录执行可编辑安装，安装项目依赖；README 标注为推荐方式。
```
pip install -e .
```
3PyPI 安装

README 的 Install 节给出 lightrag-hku；News 提到 minirag-hku，二者按实际可用包选择。
```
pip install lightrag-hku
```
4准备数据集

下载所需数据集并放入 ./dataset 目录；LiHua-World 已放在 ./dataset/LiHua-World/data/LiHuaWorld.zip。
5构建索引

运行索引脚本对数据集建立异构图索引；需确保数据集路径正确，无报错即完成。
```
python ./reproduce/Step_0_index.py
```
6问答测试

运行问答脚本验证检索与生成流程；README 说明代码都在 ./reproduce 目录中。
```
python ./reproduce/Step_1_QA.py
```