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 透過使用階層式知識，解決了傳統檢索增強生成（RAG）的限制，提升生成答案的完整性、多樣性與整體品質，特別是相較於簡易 RAG 與其他 GraphRAG 實作。
How it works
HiRAG 將知識組織成階層結構，使系統能在不同粒度層級檢索資訊。它支援多種檢索模式：
- Hierarchical (hi)：使用階層知識結構的主要方式。
- Local：僅檢索本地知識。
- Global：僅檢索全域知識。
- Bridge：僅檢索連結不同階層的橋接知識。
系統可與各種 LLM API（如 DeepSeek、OpenAI、ChatGLM）整合於生成階段。
Who it’s for
開發者與研究者，想要實作更進階的 RAG 系統，以處理需要高層摘要與詳細本地資訊的複雜查詢。
Highlights
- Hierarchical Knowledge Base：超越平面檢索，採用結構化方法。
- Multi‑mode Retrieval：提供彈性選項，可檢索本地、全域或橋接知識。
- Broad LLM Compatibility：相容第三方 API，如 DeepSeek、OpenAI、ChatGLM。
- Strong Performance：在答案完整性與多樣性上，顯著優於 Naive RAG 與其他 GraphRAG 框架。