Here’s the table of contents:
- 不同任务下 GraphRAG 效果对比
- 项目对比表
- 项目详情
- Deep Research类项目对比
- 项目对比表
- 项目详情
- 核心深度研究代理
- 多源搜索和聚合工具
- 工作流和集成方案
- 特定技术实现
不同任务下 GraphRAG 效果对比
本文档对比分析了当前主流的GraphRAG相关项目，包括传统的GraphRAG实现和最新的HiRAG层次化知识检索增强生成框架。这些项目在综述总结、跨文档整合、易用性等方面各有特色，为不同场景下的知识图谱构建和问答提供了多样化的解决方案。
GraphRAG 框架初步设计：分层知识图谱
项目对比表
| 项目 |
综述总结能力 |
跨文档主题整合 |
易用性/开源支持 |
Token 成本 |
核心优化方向 |
适用场景 |
| Microsoft GraphRAG |
✅ 强项 |
✅ 社区摘要 + 全局查询 |
✅ 高 |
✅ 已优化 |
全局总结、主题提炼、跨文档语义聚类 |
综述、报告、趋势分析 |
| Youtu-GraphRAG |
❌ 非核心优势 |
⚠️ 需手动设计 |
⚠️ 低 |
✅ 更优 |
多跳问答、复杂推理、匿名抗泄露、跨领域泛化 |
多跳问答、推理、匿名任务 |
| KAG |
⚠️ 中等（依赖图谱 schema 设计） |
✅ 自动 schema 对齐 + 子图融合 |
✅ 提供 docker-compose 一键起，文档较全 |
✅ 支持本地 7B/14B 模型，成本可控 |
领域知识图谱自动构建、图-文对齐、本地模型友好 |
金融、医疗、政务等领域的可解释 KgQA |
| R2R |
❌ 非核心优势 |
✅ 重排序 + 思维链，可跨段推理 |
✅ pip 安装即可，10 行代码跑通 |
✅ 可自选小型 Embedding+SLM，成本最低 |
Retrieval→Ranking→Reason 全链路可插拔、轻量级部署 |
快速原型、实验对比、低资源场景下的可解释问答 |
| HiRAG |
✅ 强项（层次化知识结构） |
✅ 层次化知识组织 + 多维度检索 |
✅ 高（MIT开源，文档完善） |
✅ 已优化（层次化检索减少冗余） |
层次化知识组织、多维度评估、多LLM支持 |
复杂知识检索、多领域问答、高精度推理任务 |
项目详情
| 项目名 |
链接 |
描述 |
| Microsoft GraphRAG |
https://github.com/microsoft/graphrag |
微软开源的GraphRAG实现，支持社区摘要和全局查询 |
| Youtu-GraphRAG |
https://github.com/TencentCloudADP/youtu-graphrag |
腾讯优图实验室的GraphRAG实现，专注于多跳问答和推理任务 |
| KAG |
https://github.com/OpenSPG/KAG |
蚂蚁集团开源，面向领域知识图谱构建与问答，支持本地模型与知识对齐 |
| R2R |
https://github.com/SciPhi-AI/R2R |
轻量级”RAG-to-Reason”框架，主打 Retrieval→Ranking→Reason 三步流程，可插拔 LLM/Embedding，内置自研重排序与思维链提示模板 |
| HiRAG |
https://github.com/hhy-huang/HiRAG |
基于层次化知识的检索增强生成框架，在多个基准测试中显著优于传统GraphRAG方法，支持多LLM提供商 |
Deep Research类项目对比
Deep Research 框架初步设计：LLM【tongyi-deepresearch-30b-a3b】 + LangGraph【ReAct和IterResearch】=> Output
项目对比表
| 项目 |
多源搜索能力 |
LLM集成 |
递归任务分解 |
多代理协作 |
易用性/开源支持 |
工具生态 |
核心优化方向 |
适用场景 |
| deep-research |
✅ 强项 |
✅ 多LLM支持 |
❌ 单次处理 |
❌ 无 |
✅ 高 |
✅ 丰富 |
搜索引擎查询、网页提取、LLM分析 |
全面深度研究、报告生成 |
| langchain-ai/open_deep_research |
✅ 强项 |
✅ 多模型提供商 |
❌ 单次处理 |
❌ 无 |
✅ 高（LangChain生态） |
✅ MCP服务器 |
可配置代理、多工具集成 |
企业级深度研究 |
| togethercomputer/open_deep_research |
✅ 强项 |
✅ 多跳推理 |
❌ 单次处理 |
❌ 无 |
✅ 高 |
✅ 丰富 |
多跳推理、引用生成、人类研究过程模拟 |
复杂主题研究、学术分析 |
| open-deep-research (nickscamara) |
✅ 强项 |
✅ Firecrawl集成 |
❌ 单次处理 |
❌ 无 |
⚠️ 中等 |
⚠️ 基础 |
网络数据提取、AI推理 |
网络数据研究 |
| deep-searcher |
❌ 私有数据 |
✅ Python生态 |
❌ 单次处理 |
❌ 无 |
⚠️ 中等 |
⚠️ 基础 |
私有数据推理、本地搜索 |
企业内部研究 |
| node-DeepResearch |
✅ 持续搜索 |
✅ 多LLM |
❌ 单次处理 |
❌ 无 |
⚠️ 中等 |
⚠️ 基础 |
持续搜索、token预算管理 |
长期研究任务 |
| browser-use |
❌ 网站自动化 |
✅ AI代理 |
❌ 单次处理 |
❌ 无 |
✅ 高 |
✅ 丰富 |
网站自动化、AI代理访问 |
网站任务自动化 |
| deepsearch-toolkit |
❌ 平台交互 |
❌ 无 |
❌ 单次处理 |
❌ 无 |
⚠️ 专业 |
⚠️ 专业 |
知识探索、平台集成 |
科研平台集成 |
| deep-research (u14app) |
✅ 强项 |
✅ 多LLM |
❌ 单次处理 |
❌ 无 |
✅ 高 |
✅ SSE/MCP |
SSE API、MCP服务器支持 |
实时研究、API集成 |
| DeepSearch |
✅ 多源搜索 |
✅ AI增强 |
❌ 单次处理 |
❌ 无 |
✅ 简单部署 |
⚠️ 基础 |
多源搜索、AI摘要、敏感词过滤 |
Web搜索、信息聚合 |
| MetaSearch |
⚠️ 基础 |
✅ 多模态 |
❌ 单次处理 |
❌ 无 |
✅ 学习友好 |
⚠️ 基础 |
模块化RAG、多模态检索 |
学习RAG、快速原型 |
| OpenMatch |
❌ 检索优化 |
❌ 无 |
❌ 单次处理 |
❌ 无 |
✅ 学术研究 |
❌ 无 |
神经检索、传统检索模块 |
学术研究、定制检索 |
| ROMA |
✅ 强项 |
✅ 多LLM |
✅ 强项 |
✅ 核心功能 |
✅ 高（Apache-2.0） |
✅ 丰富 |
递归分解、多代理协作、企业级安全 |
复杂任务自动化、研究分析 |
| Tongyi DeepResearch |
✅ 强项 |
✅ 30B-A3B模型 |
✅ 端到端RL |
❌ 单次处理 |
✅ 高（Apache-2.0） |
✅ 丰富工具生态 |
大规模持续预训练、强化学习优化、多模式推理 |
长程深度研究、复杂信息检索、学术研究 |
项目详情
核心深度研究代理
| 项目名 |
链接 |
描述 |
| deep-research |
https://github.com/treeleaves30760/deep-research |
全面的深度研究代理，结合搜索引擎查询、网页内容提取和LLM分析，生成详细报告，支持可定制的广度和深度 |
| langchain-ai/open_deep_research |
https://github.com/langchain-ai/open_deep_research |
LangChain官方深度研究代理，简单可配置，支持多种模型提供商、搜索工具和MCP服务器，性能与主流代理相当 |
| togethercomputer/open_deep_research |
https://github.com/togethercomputer/open_deep_research |
Together AI的深度研究工作流，提供多跳推理的复杂主题研究，生成全面有引用的内容，模拟人类研究过程 |
| deep-research (u14app) |
https://github.com/u14app/deep-research |
支持任何LLM的深度研究代理，提供SSE API和MCP服务器支持，适合实时研究和API集成场景 |
| Tongyi DeepResearch |
https://github.com/Alibaba-NLP/DeepResearch |
阿里巴巴通义实验室开发的领先开源深度研究代理，30.5B总参数量，每token仅激活3.3B参数，专为长程深度信息检索任务设计，支持ReAct和IterResearch两种推理模式 |
多源搜索和聚合工具
| 项目名 |
链接 |
描述 |
| DeepSearch |
https://github.com/lokyshin/DeepSearch |
基于SearxNG的多源搜索引擎聚合工具，集成AI增强模块，支持敏感词过滤和Markdown渲染 |
| MetaSearch |
https://github.com/Marstaos/MetaSearch |
教学项目，帮助学习如何运用大语言模型接口搭建RAG系统，提供模块化开发框架 |
| OpenMatch |
https://arxiv.org/abs/2102.00166 |
用于神经信息检索研究的开源库，提供自包含的神经和传统信息检索模块 |
工作流和集成方案
| 项目名 |
链接 |
描述 |
| Open-Deep-Research-workflow-on-Dify |
https://github.com/hkxiaoyao/Open-Deep-Research-workflow-on-Dify |
Deep Researcher工作流在Dify平台的复现方案，提供完整的工作流程示例和集成指导 |
| browser-use |
https://github.com/browser-use/browser-use |
使网站对AI代理可访问的工具，轻松实现在线任务自动化，为深度研究提供网站交互能力 |
| deepsearch-toolkit |
https://github.com/DS4SD/deepsearch-toolkit |
与Deep Search平台交互的专业工具包，专注于新知识探索和发现，适合科研平台集成 |
特定技术实现
| 项目名 |
链接 |
描述 |
| open-deep-research |
https://github.com/nickscamara/open-deep-research |
开源深度研究克隆，使用Firecrawl提取大量网络数据并进行推理的AI代理，专注于网络数据研究 |
| deep-searcher |
https://github.com/zilliztech/deep-searcher |
开源深度研究替代方案，专门用于在私有数据上进行推理和搜索，使用Python编写，适合企业内部使用 |
| node-DeepResearch |
https://github.com/jina-ai/node-DeepResearch |
持续搜索、阅读网页、推理的Node.js实现，直到找到答案或超出token预算，适合长期研究任务 |
| ROMA |
https://github.com/sentient-agi/ROMA |
递归开放元代理框架，构建高性能多代理系统，支持E2B沙箱、S3集成、WebSocket通信 |