OmniRetrieval 想處理的，是資料散落在不同系統時的查詢麻煩。一般檢索工具多數只懂一種來源，但這個項目會先理解自然語言問題，再挑選合適知識來源，為各來源生成對應查詢，最後合併結果。
使用這個項目時，核心流程分成 route、generate、execute、select 四步：先選來源，再寫出來源原生查詢，之後執行，最後從多份結果中挑出較合適的證據。對非研究用途讀者來說，可把它理解成一個「跨系統問答協調層」，放在文字語料、SQL、SPARQL、Cypher 之上。
它的重點不在把所有資料硬轉成同一格式，而是保留各種來源原本的表達能力。這種做法能保住關聯式資料庫的 schema、RDF knowledge graph 的 ontology，以及 property graph 的圖結構查詢能力，避免統一格式後反而損失資訊。
- 支援四類來源：free-form text、SQL、SPARQL、Cypher
- 基準涵蓋 13 個資料集、309 個 distinct knowledge bases
- 可量度 source selection accuracy，以及 query formulation 的 exact match 與 token-level F1
- 提供 LLM provider 選擇，文中可見 openai 與本地 vllm 設定
- 相關資料集包括 BEIR、Spider、BIRD、LC-QuAD 2.0、QALD-10、SimpleQuestions、Text2Cypher
表現方面，來源資料指出 OmniRetrieval 在跨來源基準上超越 single-source baselines，但不同模型、資料預處理和外部執行環境都會影響結果。從項目結構看，它較適合研究 heterogeneous knowledge retrieval、企業內多資料源問答，或想測試 Large Language Model 如何生成 SQL、SPARQL、Cypher 的開發者。至於模型，項目至少提到 openai 預設骨幹與可本地運行的 vllm，示例亦出現 Qwen/Qwen3.5-4B。