raphaelmansuy/edgequake

解决的问题

EdgeQuake 是一个高性能 Graph-RAG 框架，旨在克服传统 RAG 仅依赖向量相似性的局限性。虽然向量搜索在关键词查找方面有效，但在多跳推理和主题查询方面常常失败。EdgeQuake 通过将文档转换为实体与关系的知识图谱，使系统能够同时遍历向量空间和图结构，从而实现更优的检索与生成。

工作原理

基于 Rust 构建以实现高性能，EdgeQuake 实现了 LightRAG 算法。它利用 LLM 驱动的实体提取和关系映射，将文档分解为知识图谱。在查询时，采用混合方法——结合 pgvector 的向量搜索与 Apache AGE 的图遍历，均在 PostgreSQL 数据库中进行。提供六种不同的查询模式，包括 Naive、Local、Global 和 Hybrid，以在延迟与推理深度之间取得平衡。

适用人群

需要一个可投入生产环境的 RAG 系统，能够处理大规模文档集中的复杂关系型查询，支持多租户、认证和高并发的开发者与组织。

主要亮点

• 知识图谱引擎：使用 Louvain 聚类进行社区检测，并通过多轮提取（multi-pass gleaning）提升实体提取率。
• 混合 RAG：结合 Personalized PageRank (PPR) 图遍历与 HNSW 向量搜索，实现全面的结果。
• PDF 视觉处理管道：支持快速文本提取，以及基于视觉的模式（使用 GPT-4o、Claude 或 Gemini）以重建复杂表格和多栏布局。
• 生产就绪基础设施：提供支持 SSE 流式传输的 REST API，多租户工作区隔离，以及与 AI 代理的 Model Context Protocol (MCP) 集成。
• 高性能：使用 Rust 编写，声称相比传统 RAG 实现具有显著更低的查询延迟和更高的并发能力。