DEEP-PolyU/LinearRAG

解決的問題

LinearRAG 解決了傳統 GraphRAG 系統成本高、速度慢的問題。傳統方法通常依賴 LLM 從實體間提取關係以構建知識圖譜，這會消耗大量 token 與時間。LinearRAG 提供了一種無需基於 LLM 的關係提取即可構建圖譜的方法，使處理大規模資料集時更加快速且可擴展。

工作原理

LinearRAG 不使用顯式的關聯圖，而是採用「無關係」構建方法。它透過輕量級實體識別與語意連結來建立圖結構。透過語意橋接，系統可在單次遍歷中執行多跳推理與深度檢索，從而無需傳統圖構建的開銷即可導航複雜資訊。

適用對象

本專案適用於需要處理大規模語料庫的 RAG 系統開發者與研究人員，尤其適合 LLM 驅動的圖構建成本與延遲過高而難以承受的場景。

亮點

• 建構階段零 LLM token 成本：在圖建構階段無需 LLM 識別關係，徹底消除相關成本。
• 線性複雜度：具有線性時間與空間複雜度，確保高度可擴展性。
• 多跳推理：無需顯式關係圖，透過語意橋接支援深度檢索與複雜推理。
• 上下文保持：透過語意連結與實體識別，保持全面的上下文理解。