MiniRAG 是一个极简的检索增强生成（RAG）框架，旨在让小型语言模型（SLM）也能获得良好的 RAG 性能。它由 HKUDS 团队提出，论文《MiniRAG: Making RAG Simpler with Small and Open-Sourced Language Models》被 ACL2026 收录。
用途 随着对高效、轻量 RAG 系统需求的增长，在现有 RAG 框架中部署小型语言模型面临显著挑战：SLM 的语义理解与文本处理能力有限，导致性能严重下降，阻碍了在资源受限场景中的广泛应用。MiniRAG 正是为解决这些根本限制而设计，追求极致的简单与高效。
主要能力 MiniRAG 引入两项关键技术：
- 语义感知的异构图索引机制：将文本块与命名实体结合在统一结构中，减少对复杂语义理解的依赖。
- 轻量级拓扑增强检索方法：利用图结构进行高效的知识发现，无需高级语言能力。 官方实验表明，即使使用 SLM，MiniRAG 也能达到与基于 LLM 的方法相当的性能，同时仅需约 25% 的存储空间。
使用方式
- 安装：推荐从源码安装；也可通过 PyPI 安装，命令为 pip install minirag-hku（代码基于 LightRAG，可直接安装）。
- 数据集：下载所需数据集并放入 ./dataset 目录。官方已将 LiHua-World 数据集以 LiHuaWorld.zip 形式放在 ./dataset/LiHua-World/data/ 下；其他数据集可放入 ./dataset/xxx。
- 索引：使用提供的 bash 命令对数据集建立索引，或使用 ./main.py 中的代码初始化 MiniRAG。
- 部署：支持 API 与 Docker 部署。
- 数据库支持：支持 10 多种异构图数据库，包括 Neo4j、PostgreSQL、TiDB 等。
- 复现：所有代码可在 ./reproduce 目录中找到。
适用场景 MiniRAG 面向设备端（on-device）RAG 场景，适合资源受限、需要轻量高效检索增强生成的部署环境。官方贡献了 LiHua-World 基准数据集，用于评估轻量 RAG 系统在真实设备端场景下处理复杂查询的能力。该数据集包含虚拟用户 LiHua 一年的聊天记录，涵盖单跳、多跳和摘要三类问题，每个问题均配有手动标注的答案和支持文档。
限制 资料未提供具体的性能数值、支持的模型清单、硬件要求或收费信息。官方说明中提及，在性能对比表中“/”表示该方法难以生成有效响应。
