DEEP-PolyU/LinearRAG

解决的问题

LinearRAG 解决了传统 GraphRAG 系统成本高、速度慢的问题。传统方法通常依赖 LLM 从实体间提取关系以构建知识图谱，这会消耗大量 token 和时间。LinearRAG 提供了一种无需基于 LLM 的关系提取即可构建图谱的方法，使处理大规模数据集时更加快速和可扩展。

工作原理

LinearRAG 不使用显式的关联图，而是采用“无关系”构建方法。它通过轻量级实体识别和语义链接来创建图结构。通过语义桥接，系统可以在单次遍历中执行多跳推理和深度检索，从而在无需传统图构建开销的情况下导航复杂信息。

适用人群

本项目适用于需要处理大规模语料库的 RAG 系统开发者和研究人员，尤其适合 LLM 驱动的图构建成本和延迟过高而难以承受的场景。

亮点

• 构建阶段零 LLM token 成本：在图构建阶段无需 LLM 识别关系，彻底消除相关成本。
• 线性复杂度：具有线性时间与空间复杂度，确保高度可扩展性。
• 多跳推理：无需显式关系图，通过语义桥接支持深度检索与复杂推理。
• 上下文保持：通过语义链接和实体识别，保持全面的上下文理解。