Claude Code + RAG-Anything = TANPA BATAS

하이라이트

• RAG-Anything mengintegrasikan model pengurai dokumen MinerU secara lokal untuk memproses gambar, bagan, dan grafik yang biasanya tidak terbaca oleh sistem RAG standar.

• Sistem ini memisahkan dokumen non-teks menjadi dua jalur pemrosesan yaitu wadah teks untuk ekstraksi OCR dan wadah gambar untuk tangkapan layar guna menghemat biaya API.

• Data hasil ekstraksi diubah menjadi empat komponen utama yang terdiri dari dua basis data vektor dan dua graf pengetahuan sebelum digabungkan ke dalam satu sistem utuh.

• Integrasi RAG-Anything dilakukan sebagai pembungkus (wrapper) di atas LightRAG untuk menggabungkan kekuatan pencarian teks dengan kemampuan pemahaman visual.

• Penggunaan model GPT 5.4 Nano dan text-embedding-3-large melalui Claude Code memungkinkan ekstraksi entitas serta hubungan dari dokumen pindaian secara otomatis.

• Proses pengunggahan dokumen non-teks memerlukan skrip Python khusus atau skill Claude Code karena keterbatasan antarmuka pengguna (UI) LightRAG saat ini.

타임라인

1. 00:00 - 01:43

   Keterbatasan Sistem RAG Berbasis Teks

   Banyak pengguna menghadapi masalah saat sistem AI mereka tidak bisa membaca dokumen PDF yang secara teknis adalah gambar hasil pindaian. LightRAG standar memiliki keterbatasan yang sama dalam menangani elemen visual. RAG-Anything hadir untuk menyelesaikan masalah ini dengan menghubungkan dokumen non-teks langsung ke dalam arsitektur graf pengetahuan yang sudah ada.

   • Mayoritas sistem RAG konvensional mengalami kegagalan saat harus menangani dokumen yang berisi bagan, grafik, atau PDF hasil pindaian.
   • RAG-Anything berfungsi sebagai solusi pelengkap untuk LightRAG agar mampu memproses dokumen non-teks secara efektif.
   • Integrasi sistem ini memungkinkan data dari berbagai format berakhir dalam satu graf pengetahuan yang sama untuk memudahkan kueri.
2. 01:44 - 04:36

   Arsitektur Pemrosesan Dokumen non-Teks

   Pemahaman arsitektur sangat penting bagi pengembang AI untuk membedakan diri dari pengguna biasa. MinerU bekerja secara lokal di komputer pengguna untuk mengidentifikasi tata letak dokumen tanpa harus memahami isinya terlebih dahulu. Setelah komponen dipisahkan, sistem mengarahkan setiap bagian ke model khusus yang sesuai untuk ekstraksi data yang optimal.

   • Sistem menggunakan model open-source MinerU untuk memecah dokumen menjadi komponen header, teks, bagan, dan persamaan LaTeX.
   • Komponen teks diproses melalui PaddleOCR untuk mengekstrak informasi mentah yang dapat dibaca oleh LLM.
   • Elemen yang tidak bisa dikonversi menjadi teks murni akan diambil tangkapan layarnya untuk diproses lebih lanjut sebagai data visual.
3. 04:37 - 13:07

   Ekstraksi Entitas dan Penggabungan Data

   Mengirim seluruh dokumen sebagai gambar ke API AI sangat mahal dan lambat. RAG-Anything menggunakan strategi yang lebih cerdas dengan melakukan pra-pemrosesan lokal sehingga hanya data yang diperlukan yang dikirim ke model besar. Struktur data yang dihasilkan kemudian ditumpuk dan dicocokkan berdasarkan entitas untuk memastikan sinkronisasi antara informasi teks dan visual.

   • Data dari wadah teks dan gambar dikirim ke model seperti GPT 5.4 Mini untuk dipecah menjadi entitas dan hubungan.
   • Metode pemisahan jalur antara teks dan gambar secara lokal bertujuan untuk mengurangi biaya API dan meningkatkan kecepatan pemrosesan.
   • Hasil akhir proses ini adalah penggabungan dua basis data vektor dan dua graf pengetahuan menjadi satu kesatuan sistem RAG-everything.
4. 13:08 - 16:42

   Implementasi Teknis dengan Claude Code

   Proses instalasi mencakup pembaruan model ke GPT 5.4 Nano dan penggunaan text-embedding-3-large dari OpenAI agar sistem tetap sederhana. Karena RAG-Anything adalah pembungkus di atas LightRAG, terdapat jalur pengunggahan yang berbeda yang perlu diperhatikan pengguna. Claude Code mempermudah proses ini dengan mengubah skrip repositori menjadi keahlian yang dapat dipanggil melalui perintah suara atau teks biasa.

   • Instalasi sistem dilakukan melalui perintah satu kali di Claude Code yang secara otomatis memperbarui jalur penyimpanan dan memperbaiki bug pembungkus embedding.
   • Pengunggahan dokumen non-teks harus dilakukan melalui skrip Python atau skill khusus karena tidak tersedianya tombol unggah di UI.
   • MinerU berjalan pada CPU secara default, namun dapat dialihkan ke GPU dengan konfigurasi PyTorch yang tepat untuk meningkatkan kecepatan.
5. 16:43 - 19:19

   Validasi Performa dan Analisis Data Visual

   Uji coba pada dokumen Novatech Inc membuktikan bahwa informasi yang terkunci di dalam gambar bagan kini dapat diakses melalui kueri API. Meskipun proses pengunggahan sedikit lebih kompleks, fungsionalitas tanya jawab tetap semudah menggunakan bahasa sehari-hari. Sistem ini menawarkan solusi RAG multimedia yang kompetitif dengan biaya yang relatif murah berkat penguraian lokal.

   • Dokumen PDF palsu berisi diagram batang pendapatan SaaS berhasil dianalisis dengan akurasi tinggi oleh sistem.
   • Kueri dalam bahasa alami dapat menarik data spesifik seperti tren pendapatan bulanan dari Januari hingga September 2025 langsung dari gambar.
   • Claude Code secara otomatis menentukan parameter pengambilan data terbaik sehingga pengguna tidak perlu menyesuaikan bobot teknis secara manual.