AI
RAGU：用 7B Meno-Lite 重做 GraphRAG 的知識圖譜管線
RAGU 把 GraphRAG 的知識圖譜建構拆成兩階段萃取、DBSCAN 去重、LLM 濃縮與 Leiden 社群偵測；論文聲稱 7B Meno-Lite 在知識圖譜建構上相對 Qwen2.5-32B 有 +12.5% harmonic mean，GraphRAG-Bench Medical 證據召回最高 0.84。適合作為「管線內 LLM 不必越大越好」的架構訊號，但仍需以實際語料重測。
2026年7月28日4 分鐘閱讀👁 4
GraphRAG / RAG / 小模型管線
這篇 Threads 指向 arXiv 論文 RAGU: A Multi-Step GraphRAG Engine with a Compact Domain-Adapted LLM。核心訊號不是「7B 模型全面打敗 32B」，而是：GraphRAG 管線內負責萃取、整理與推理上下文的 LLM，可能更需要語言技能與資料管線設計，而不是更大的參數量或更多世界知識。
Kate 判斷：RAGU 值得放進 Allen KB，因為它把 GraphRAG 的效能瓶頸從「模型大小」拉回「萃取流程、去重、圖譜社群與評測格式」。如果 BigIntTech 後續做企業知識庫 / 會議紀錄 / 文件 RAG，這類 pipeline-first 思路比單純升級大模型更實用。
Threads 原文重點
- 作者摘要稱 RAGU 團隊訓練出 Meno-Lite-0.1，7B 參數、單一 GPU 可跑，在知識圖譜建構任務上超越 Qwen2.5-32B，提升 12.5%。
- RAGU 不走傳統 GraphRAG 的單次萃取，而是把實體與關係分開處理，再做 DBSCAN 去重、LLM 濃縮與 Leiden 社群偵測。
- GraphRAG-Bench Medical 測試集中，論文摘要稱 RAGU 的 evidence recall 最高達 0.84，優於 HippoRAG2 的 ≤0.76。
- 作者指出 HippoRAG2 在某些合成任務的領先，可能受答案格式差異影響，不一定代表真正多跳推理能力較強。
- 安裝套件為
pip install graph_ragu，RAGU repo 採 MIT 授權。
官方來源查證
| 項目 | 查證結果 | 來源 |
|---|---|---|
| 論文 | arXiv 2607.11683，2026-07-13 v1；題名與 Threads 引用一致。 | arXiv |
| 核心 claim | arXiv 摘要寫明：Meno-Lite-0.1 7B 在 knowledge-graph construction 上相對 Qwen2.5-32B 有 +12.5% relative harmonic mean；GraphRAG-Bench Medical evidence recall up to 0.84 vs ≤0.76。 | arXiv abstract |
| 程式碼 | GitHub repo RaguTeam/RAGU 存在；Python 專案；查證時約 113 stars / 21 forks；README 說可由 PyPI 安裝。 | GitHub |
| 套件 | PyPI 套件 graph_ragu / graph-ragu 版本 0.0.4；summary 為 GraphRAG toolkit；requires Python ≥3.10。 |