MothRAG
开源 RAG 框架（Apache 2.0），仅用商品级 LLM API 就在多跳 QA 基准上达到研究级 SOTA 水平——无 GPU、无训练、无图重建。
✅ 优点与优势 (Pros)
- • 多跳基准达 SOTA 水平，无需 GPU/训练
- • 确定性编排，零运行间方差
- • 无图：语料变化无需昂贵重建
- • 证明树答案，完全可审计
- • 约 $0.018-0.032/查询，支持 Groq 免费档
❌ 缺点与限制 (Cons)
- • 社区非常早期（38 star、2 贡献者）
- • 生产验证有限
- • 依赖外部 API 可用性
- • 仅 Python，数据源连接器少
💰 价格方案 (Pricing)
Free
价格详情收集自公开渠道，可能存在变动。请访问官方网站以获取实时最新价格。
最后更新：2026 年 7 月 · 9bests 编辑评测
✅ 谁适合使用 MothRAG
- • 多跳基准达 SOTA 水平，无需 GPU/训练
- • 确定性编排，零运行间方差
- • 无图：语料变化无需昂贵重建
- • 证明树答案，完全可审计
- • 约 $0.018-0.032/查询，支持 Groq 免费档
⚠️ 谁可能需要再考虑
- • 社区非常早期（38 star、2 贡献者）
- • 生产验证有限
- • 依赖外部 API 可用性
- • 仅 Python，数据源连接器少
🎯 常见使用场景
网页抓取与提取
构建 AI 数据管道
数据清洗与富化
⚖️ MothRAG 对比 Crawl4AI
| MothRAG | Crawl4AI | |
|---|---|---|
| 评分 | 3.75/5 | 4.3/5 |
| 价格 | Free | Free (Open Source) |
| 核心优势 | 多跳基准达 SOTA 水平，无需 GPU/训练 | LLM 优先的输出格式 |
查看完整对比：MothRAG 对比 Crawl4AI。
❓ 常见问题
MothRAG 免费吗？
+
MothRAG 提供免费方案（Free）。付费版可解锁更高额度与高级功能。
MothRAG 最适合做什么？
+
MothRAG 最适合多跳基准达 SOTA 水平，无需 GPU/训练以及确定性编排，零运行间方差。开源 RAG 框架（Apache 2.0），仅用商品级 LLM API 就在多跳 QA 基准上达到研究级 SOTA 水平——无 GPU、无训练、无图重建。
MothRAG 和 Crawl4AI 有什么区别？
+
MothRAG（3.75/5）与 Crawl4AI（4.3/5）需求重叠。MothRAG 在多跳基准达 SOTA 水平，无需 GPU/训练上更突出，而 Crawl4AI 擅长LLM 优先的输出格式。请根据你的优先项选择。
🔄 MothRAG 的最佳替代方案
相关工具推荐Crawl4AI
Open-source web crawler designed for LLMs and AI agents with structured extraction and browser automation.
Atlas
Open-source local-first cognitive memory system implementing AGM-compatible belief revision that automatically re-evaluates downstream beliefs when facts change, with SHA-256 hash chain for data integrity.
ParseHawk
ParseHawk is a fully local document AI processing toolkit — no data leaves your machine. It ships with an API server, CLI, and Web UI, making it easy to integrate into existing workflows or use standalone for document parsing, chunking, OCR, and Q&A over documents.
Adaptive Recall
Adaptive Recall is a hosted memory system for AI applications that goes far beyond simple vector search. It stores, recalls, and manages long-term memory for agents and apps over MCP or a plain REST API, and — unlike a static embeddings store — it actively learns. Four retrieval strategies run in parallel (vector similarity, temporal recency, full-text keyword, and knowledge-graph traversal), and the system learns which to prioritize for each query type. Results are ranked with ACT-R cognitive scoring from 30 years of cognitive-science research, factoring in recency, access frequency, entity connections, and validated confidence. A knowledge graph is built automatically from stored memories, memories move through a confidence-based lifecycle and fade when unused, and an ML pipeline trains on your usage patterns — validating every parameter change against real query history before adopting it. A simple eight-tool API (store, recall, update, forget, graph, status, snapshot, feedback) covers everything, with Bearer-token auth and JSON in/out. Free, Starter, Pro, and Business plans are available.