hhy-huang/HiRAG
[EMNLP'25 findings] This is the official repo for the paper, HiRAG: Retrieval-Augmented Generation with Hierarchical Knowledge.
What it solves
HiRAG は階層的知識を利用することで、従来の Retrieval‑Augmented Generation（RAG）の限界を克服し、生成された回答の包括性・多様性・全体的な品質を向上させます。特に、ナイーブな RAG や他の GraphRAG 実装と比較した際に効果が顕著です。
How it works
HiRAG は知識を階層構造に整理し、システムが異なる粒度レベルで情報を取得できるようにします。以下の取得モードをサポートしています：
- Hierarchical (hi)：階層知識構造を用いる基本アプローチ。
- Local：ローカルな知識のみ取得。
- Global：グローバルな知識のみ取得。
- Bridge：階層の異なるレベルをつなぐブリッジ知識のみ取得。
システムは DeepSeek、OpenAI、ChatGLM などの各種 LLM API と統合して生成フェーズを実行できます。
Who it’s for
高度な RAG システムを実装したい開発者や研究者向けです。高レベルの要約と詳細なローカル情報の両方を必要とする複雑なクエリに対応できます。
Highlights
- Hierarchical Knowledge Base：フラットな取得を超えて、構造化されたアプローチを実現。
- Multi‑mode Retrieval：ローカル、グローバル、ブリッジ知識の取得オプションを柔軟に提供。
- Broad LLM Compatibility：DeepSeek、OpenAI、ChatGLM などサードパーティ API と連携可能。
- Strong Performance：回答の包括性と多様性において、Naive RAG や他の GraphRAG フレームワークを大幅に上回ります。