GraphRAGAgent

https://github.com/1517005260/graph-rag-agent/tree/master

这个项目看到的，有一个deep research agent

GPT5的评价：

结论先给：区别不只“是不是用图”。普通 DeepResearchAgent（标准模式=DeepResearchTool）是“多轮思考+双通道检索（KB+KG）+答案验证”的工作流；DeeperResearchTool 把“图”升级为决策与表示的中枢，并叠加社区感知、CoE 探索、证据链与矛盾检测等全链路能力。

核心差异
- 图的参与方式
- 普通：有KG通道，但不做动态子图建模；KG更多当内容来源。
- Deeper：为查询动态构建并增量更新子图、计算中心实体、用社区结构规划搜索路径、把证据锚到节点/边上，驱动后续决策。
- 检索策略
- 普通：子查询/跟进查询 → DualPathSearcher（KB+KG）合并 → 提取要点。
- Deeper：社区感知增强（找相关社区与策略）+ Chain of Exploration 在图上多步探索，结果与KB检索融合后再提取信息。
- 推理形态
- 普通：线性迭代（必要时生成跟进查询）。
- Deeper：复杂度门控的多假设分支；分支生长/裁剪参考图结构与证据密度。
- 证据与质量控制
- 普通：AnswerValidator 规则验证，execution_logs。
- Deeper：EvidenceChainTracker 记录“步骤→证据→来源”，内置矛盾检测与影响分析，必要时答案修复。
- 缓存与工程化
- 普通：关键词/结果基础缓存。
- Deeper：思考/子查询/搜索/提取/图谱/矛盾/分支等细粒度多类缓存，降低重复代价。
- 可解释性
- 普通：展示思考过程与引用chunk。
- Deeper：补充“探索路径、社区摘要、中心实体、证据链”，解释维度更丰富。
代码直观佐证
- Deeper 构建查询子图与中心实体：
```575:606:search/tool/deeper_research_tool.py
self.knowledge_builder.build_query_graph(query, graph_entities, depth=2)
central_entities = self.knowledge_builder.get_central_entities(limit=5)
self.evidence_tracker.add_reasoning_step(
query_id, "knowledge_graph_analysis",
f"构建了初始知识图谱，识别出核心实体: {central_entity_ids}"
)
</li>
</ul></li>
</ul>

<pre><code class="line-numbers"> - 普通最终答案（不做子图建模）：
```369:382:search/tool/deep_research_tool.py
  response = self.llm.invoke(FINAL_ANSWER_PROMPT.format(...))
  formatted_answer = f"<think>{thinking_process}</think>\n\n{answer}"
  - Deeper 将 CoE 结果与 KB 检索融合（不是简单替换）：
```910:934:search/tool/deeper_research_tool.py
enhanced_search_context = self._enhance_search_with_coe(search_query, search_keywords)
kbinfos = self.deep_research.dual_searcher.search(search_query)
if exploration_content:
kbinfos.setdefault("chunks", []).extend(exploration_content)
```
    - 一句话总结
  - 普通 DeepResearchAgent：强在“多轮检索+生成+验证”的通用深研流程。
  - DeeperResearchTool：把图变成“研究骨架”，以社区/中心实体/探索路径来组织检索与证据，面向复杂、多跳、跨实体问题的系统性与可解释性显著更强，但代价是更高的复杂度与成本。
  核心点是使用Graph进行reason，这里有一个直观联系的思路就是把Agent对话的memory转化成知识图谱，然后通过这个知识图谱来进行推理，生成下一步问题，以及总结答案。
  
  这里让我感觉有两个改变点可以尝试：
  * 尝试一下上面说的，把Agent memory转化成知识图谱，来强化reason
  * 更多的关注一下利用知识图谱进行Reason的工作。尝试和DeepResearch等agent进行融合
  
  拓展一点，就是把知识图谱放到问答链路中，而非只是作为一个索引

文章评论