来看两个工作，一个是DeepResearch Bench评测，看看不同代表方案的表现；一个是E^2GraphRAG思路，看看怎么个提速法？

一、DeepResearch Bench评测

先看《DeepResearch Bench: A Comprehensive Benchmark for Deep Research Agents》(https://arxiv.org/pdf/2506.11763)，专门用于评估Deep Research Agents, DRAs）的综合基准测试，https://github.com/Ayanami0730/deep_research_bench，包含100个博士级别的研究任务，每个任务由领域专家精心设计和迭代优化，涵盖22个不同的领域，通过收集和分析96,147个原始用户查询，确定每个主题领域的任务数量，并构建了100个高难度且基于真实研究需求的研究任务。

评估方面，基于领域专家知识，建立四个顶层维度：全面性（COMP）、洞察力/深度（DEPTH）、遵循指令（INST）和可读性（READ），通过加权维度级得分和维度权重，计算目标报告的总得分。

主要评估了四种早期发布的Agent：Gemini-2.5-pro-based Deep Research、OpenAI Deep Research、Grok Deeper Search和Perplexity Deep Research。

实验结果如下：

1、在DRAs类别中，Gemini-2.5-Pro Deep Research在RACE框架上展示了领先的整体性能。OpenAI Deep Research在遵循指令（INST）维度上表现出色。

2、Gemini-2.5-Pro Deep Research在其最终报告中平均有效引用数为111.21，显著优于其他模型。

3、引用准确率方面，Perplexity Deep Research的表现优于Gemini-2.5-Pro Deep Research和OpenAI Deep Research。

二、E^2GraphRAG提速思路

回到GraphRAG问题，看个新思路。

GraphRAG通过构建层次化实体图来支持全局查询，但存在高索引成本的问题；

RAPTOR通过递归聚类和总结文档构建层次化摘要树，但忽略了原始文档的上下文流；

LightRAG通过简化实体和关系的提取过程来提高效率，但仍需LLM生成复杂的JSON格式输出。

所以，可以在索引阶段构建一个摘要树和一个实体图，并在检索阶段设计一个自适应检索策略，利用图结构动态选择局部或全局查询模式，这就是《E^2GraphRAG: Streamlining Graph-based RAG for High Efficiency and Effectiveness》(https://arxiv.org/pdf/2505.24226)的方案。

先说结果：

在效率上，E2GraphRAG在索引阶段的效率最高，比GraphRAG快10倍，比RAPTOR快约2倍。在检索阶段，E2GraphRAG比LightRAG快100倍，比GraphRAG的本地模式快约10倍。

在效果上，E2GraphRAG在效果上与GraphRAG相当，在某些数据集上甚至表现更好。例如，在NovelQA数据集上，使用Qwen模型时，E2GraphRAG取得了最佳性能。

在计算成本上，E2GraphRAG在索引阶段的LLM调用次数较少，检索阶段主要依赖SpaCy进行实体提取。RAPTOR在索引阶段的聚类操作引入了额外的开销，但在检索阶段由于使用了GPU加速的密集检索，速度较快。

再看过程：

1、索引阶段

1）摘要树构建

首先，将文档分割成多个文本块（chunks），并使用LLM对每连续的g个文本块进行总结。

通过递归合并这些摘要，最终形成一个树状结构，其中叶子节点对应文本块，中间或根节点对应摘要。

使用预训练的嵌入模型对所有的文本块和摘要进行编码，并存储在Faiss中以支持高效的密集检索。

2）实体图构建

使用SpaCy从每个文本块中提取命名实体（如人名、地名等），并通过实体在同一句子中的共现关系来构建无向加权边。

如果在同一句子中出现，则在这些实体之间建立一条边，边的权重反映它们在句子中的共现频率。

这样，每个文本块就会形成一个子图，捕捉了该块内实体之间的关系。

最后，将所有文本块的子图合并成一个全局图，统一相同的实体并汇总相同源和目标实体的边的权重。

2、检索阶段

设计一种自适应检索策略，利用图结构在局部和全局模式之间动态选择。如果查询实体在图中密集连接，则执行局部检索；否则，切换到全局检索。

如上所示，具体步骤包括：

1）实体提取：首先，使用SpaCy从查询中提取实体，并将这些实体映射到构建的图中。如果没有识别到任何实体，则执行密集检索。

2）图过滤：如果有实体，则引入图过滤步骤，保留核心实体。具体来说，计算查询中所有实体对之间的最短路径长度，只保留在h跳数以内的实体对。这样可以过滤掉不相关的实体对；

3）索引映射：如果有细粒度的实体对，则执行索引映射，找到与这些实体相关的块集合。通过实体到块的索引和块到实体的索引，找到同时包含这两个实体的块集合。

4）调整跳数阈值：根据块集合的大小，逐步减少跳数阈值，直到满足条件或检索结果为空。如果过滤后没有细粒度的相关实体对，则将其分类为粗粒度的全局查询；

5）实体感知排序：最后，应用实体感知排序机制，从筛选后的块中选择前k个作为补充证据。排序基于多个结构和统计信号，如实体覆盖度和实体出现频率。

通过这种自适应策略，根据查询实体的图结构动态选择局部或全局检索模式，从而提高检索效率和准确性。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】