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 通过使用层级知识，解决了标准检索增强生成（RAG）的局限性，提升生成答案的完整性、多样性和整体质量，尤其相较于朴素 RAG 和其他 GraphRAG 实现。
How it works
HiRAG 将知识组织成层级结构，使系统能够在不同粒度层级检索信息。它支持多种检索模式：
- Hierarchical (hi)：使用层级知识结构的主要方式。
- Local：仅检索本地知识。
- Global：仅检索全局知识。
- Bridge：仅检索连接不同层级的桥接知识。
系统可以与各种 LLM API（如 DeepSeek、OpenAI、ChatGLM）集成于生成阶段。
Who it’s for
开发者和研究者，想实现更复杂的 RAG 系统，以处理需要高层摘要和详细本地信息的复杂查询。
Highlights
- Hierarchical Knowledge Base：超越平面检索，采用结构化方法。
- Multi‑mode Retrieval：提供灵活选项，可检索本地、全局或桥接知识。
- Broad LLM Compatibility：兼容第三方 API，如 DeepSeek、OpenAI、ChatGLM。
- Strong Performance：在答案完整性和多样性方面，显著优于 Naive RAG 和其他 GraphRAG 框架。