能力标签

🛠

AI工具

线性图检索生成

基于 Python · 开源免费，本地部署，数据完全自主可控

英文名：LinearRAG

⭐ 523 Stars 🍴 61 Forks 💻 Python 📄 GPL-3.0 🏷 AI 8.0分

8.0AI 综合评分

graphragllmsragpython

🌐 访问官网 📺 TG 频道

✦ AI Skill Hub 推荐

线性图检索生成是 AI Skill Hub 本期精选AI工具之一。综合评分 8.0 分，整体质量较高。我们强烈推荐将其纳入你的 AI 工具库，帮助提升工作效率。

📚 深度解析

线性图检索生成是一款基于 Python 的开源工具，在 GitHub 上收获 1k+ Star，是graphrag、llms、rag、python领域中的优质开源项目。开源工具的最大优势在于代码完全透明，你可以审计每一行代码的安全性，也可以根据自身需求进行二次开发和定制。

**为什么要使用开源工具而非商业 SaaS？**
对于个人开发者和有隐私需求的用户，本地部署的开源工具意味着数据不离本机，不受第三方服务商的数据政策约束。同时，开源工具通常没有使用次数限制和月度费用，一次安装即可长期使用，对于高频使用场景的总拥有成本（TCO）远低于订阅制商业工具。

**安装与环境准备**
线性图检索生成依赖 Python 运行环境。建议通过 pyenv（Python）或 nvm（Node.js）管理 Python 版本，避免全局环境污染。对于新手用户，推荐先创建虚拟环境（python -m venv venv && source venv/bin/activate），再安装依赖，这样即使出现问题也可以随时删除虚拟环境重新开始，不影响系统稳定性。

**社区与维护**
GitHub Issue 和 Discussion 是获取帮助的最快渠道。在提问前建议先检查 Closed Issues（已关闭的问题），大多数常见问题都已有解答。遇到 Bug 时，提供 pip list 的输出、完整错误堆栈和最小可复现示例，能显著提高开发者响应速度。AI Skill Hub 将持续追踪线性图检索生成的版本更新，及时通知重要功能变化。

📋 工具概览

线性图检索生成是一款基于 Python 开发的开源工具，专注于 graphrag、llms、rag 等核心功能。作为 GitHub 开源项目，它拥有活跃的社区支持和持续的版本迭代，代码完全透明可审计，支持本地部署以保护数据隐私。无论是个人使用还是集成到企业工作流，都能提供稳定可靠的解决方案。

GitHub Stars

⭐ 523

开发语言

Python

支持平台

Windows / macOS / Linux

维护状态

正常维护，社区驱动

开源协议

GPL-3.0

AI 综合评分

8.0 分

工具类型

AI工具

Forks

📖 中文文档

以下内容由 AI Skill Hub 根据项目信息自动整理，如需查看完整原始文档请访问底部「原始来源」。

📌 核心特色

开源免费，支持本地部署，数据完全自主可控
活跃的 GitHub 开源社区，持续迭代更新
提供详细文档和使用示例，新手友好
支持自定义配置，灵活适配不同使用环境
可作为基础组件集成进现有技术栈或进行二次开发

🎯 主要使用场景

本地部署运行，保护数据隐私，满足合规要求
自定义集成到现有系统，扩展技术栈能力
作为开源基础组件进行商业化二次开发

以下安装命令基于项目开发语言和类型自动生成，实际以官方 README 为准。

安装命令

# 方式一：pip 安装（推荐）
pip install linearrag

# 方式二：虚拟环境安装（推荐生产环境）
python -m venv .venv
source .venv/bin/activate  # Windows: .venv\Scripts\activate
pip install linearrag

# 方式三：从源码安装（获取最新功能）
git clone https://github.com/DEEP-PolyU/LinearRAG
cd LinearRAG
pip install -e .

# 验证安装
python -c "import linearrag; print('安装成功')"

📋 安装步骤说明

访问 GitHub 仓库页面
按照 README 文档完成依赖安装
根据系统环境完成初始化配置
参考官方示例或文档开始使用
遇到问题可在 GitHub Issues 中查找解答

以下用法示例由 AI Skill Hub 整理，涵盖最常见的使用场景。

常用命令 / 代码示例

# 命令行使用
linearrag --help

# 基本用法
linearrag input_file -o output_file

# Python 代码中调用
import linearrag

# 示例
result = linearrag.process("input")
print(result)

以下配置示例基于典型使用场景生成，具体参数请参照官方文档调整。

配置示例

# linearrag 配置文件示例（config.yml）
app:
  name: "linearrag"
  debug: false
  log_level: "INFO"

# 运行时指定配置文件
linearrag --config config.yml

# 或通过环境变量配置
export LINEARRAG_API_KEY="your-key"
export LINEARRAG_OUTPUT_DIR="./output"

📑 README 深度解析真实文档完整度 38/100 查看 GitHub 原文 →

以下内容由系统直接从 GitHub README 解析整理，保留代码块、表格与列表结构。

LinearRAG: Linear Graph Retrieval-Augmented Generation on Large-scale Corpora

A relation-free graph construction method for efficient GraphRAG. It eliminates LLM token costs during graph construction, making GraphRAG faster and more efficient than ever.

---

🚀 Highlights

- ✅ Context-Preserving: Relation-free graph construction, relying on lightweight entity recognition and semantic linking to achieve comprehensive contextual comprehension. - ✅ Complex Reasoning: Enables deep retrieval via semantic bridging, achieving multi-hop reasoning in a single retrieval pass without requiring explicit relational graphs. - ✅ High Scalability: Zero LLM token consumption, faster processing speed, and linear time/space complexity. <p align="center"> <img src="figure/main_figure.png" width="95%" alt="Framework Overview"> </p>

---

1️⃣ Install Dependencies

Step 1: Install Python packages

pip install -r requirements.txt
(Use Python 3.9 preferably)

Step 2: Download Spacy language model

python -m spacy download en_core_web_trf

Note: For the medical dataset, you need to install the scientific/biomedical Spacy model:
pip install https://s3-us-west-2.amazonaws.com/ai2-s2-scispacy/releases/v0.5.3/en_core_sci_scibert-0.5.3.tar.gz

Step 3: Set up your OpenAI API key

export OPENAI_API_KEY="your-api-key-here"
export OPENAI_BASE_URL="your-base-url-here"

Step 4: Download Datasets

Download the datasets from HuggingFace and place them in the dataset/ folder:

git clone https://huggingface.co/datasets/Zly0523/linear-rag
cp -r linear-rag/* dataset/

Step 5: Prepare Embedding Model

Make sure the embedding model is available at:

model/all-mpnet-base-v2/

🛠️ Usage

2️⃣ Quick Start Example

SPACY_MODEL="en_core_web_trf"
EMBEDDING_MODEL="model/all-mpnet-base-v2"
DATASET_NAME="2wikimultihop"
LLM_MODEL="gpt-4o-mini"
MAX_WORKERS=16

python run.py \
    --spacy_model ${SPACY_MODEL} \
    --embedding_model ${EMBEDDING_MODEL} \
    --dataset_name ${DATASET_NAME} \
    --llm_model ${LLM_MODEL} \
    --max_workers ${MAX_WORKERS} 
    # --use_vectorized_retrieval # optional, use vectorized matrix-based retrieval for GPU acceleration if Strong GPU is available, otherwise use BFS iteration.

🎯 aiskill88 AI 点评 A 级 2026-07-05

高效的大规模图数据生成工具