- 博客(22)
- 收藏
- 关注
RSS订阅原创 AI智能体应用场景与产品
2025 年，AI 智能体已从 “概念炒作” 进入 “价值兑现” 阶段，其核心价值在于自主决策与跨系统协作，推动各行业从 “人机协作” 向 “自主自动化” 跃迁。企业级市场聚焦 “可靠、集成、增效”，消费级市场则以 “易用、个性、普惠” 为导向。随着技术成熟与政策完善，智能体将进一步渗透至能源、政务、交通等领域，成为定义智能时代生产力的关键引擎。
2025-11-13 16:24:52
1035
原创 Trae 大模型选型对比
本文对比了6款主流AI模型的代码能力特点与优势。字节跳动Doubao-seed-1.6擅长中文理解与轻量化部署；MoonshotAI的Kimi-K2-0905以超长上下文处理见长；阿里Qwen-3-coder专精代码生成与调试；智谱GLM-4.6/4.5分别侧重算法转化与兼容性；深度求索DeepSeek-V3.1强于逻辑推理与底层代码。综合建议：大型项目选Kimi，快速生成选Qwen，算法实现用GLM-4.6，底层开发选DeepSeek，轻量中文场景适合Doubao或GLM-4.5。
2025-11-05 17:15:11
1575
原创 GraphRAG赋能电力故障排除
AI+RAG技术助力智能电网故障诊断效率大幅提升，从传统2小时缩短至15分钟。国网泉州供电公司通过融合DeepSeekV3大模型与自研行业模型，构建三层诊断体系，结合10TB级知识库和图卷积网络检索，实现精准故障定位。无人机巡检准确率达90%，调度决策响应时间降至60秒，现场运维效率提升3倍。技术突破同时面临数据壁垒、模型幻觉等挑战，国网通过CRAG纠错机制和"1+N"团队协作提升准确率至95%。未来将向边缘智能和动态微调发展，推动电力行业智能化升级。
2025-10-27 16:02:34
1083
原创 RAG-Anything 开发框架：多模态RAG+知识图谱RAG
RAG-Anything是一款创新的多模态文档处理系统，突破了传统RAG仅能处理文本的限制，实现了对混合内容（文本、图像、表格、公式等）的一体化处理。系统采用自适应解析算法，支持PDF、Office文档等多种格式，通过多模态知识图谱整合跨模态关系，提供混合检索能力。部署方式灵活，支持Python库安装和源码部署，可处理端到端文档流程或直接插入预解析内容。系统包含三种查询模式（纯文本、VLM增强、多模态），并允许自定义模态处理器，适用于学术研究、企业知识管理等场景。
2025-10-17 11:15:10
1235
原创 知识图谱与传统RAG的开源框架有哪些？
nano-GraphRAG、LightRAG或GraphRAG-Local-UI更易上手。：优先选择微软GraphRAG、Fast GraphRAG或蚂蚁KAG，兼顾功能与扩展性。基于OpenSPG引擎，支持逻辑符号推理与知识对齐，兼容开放抽取和Schema约束构建。混合推理引擎（规划+推理+检索），支持图结构与文本块互索引。将文本转化为知识图谱，通过社区检测生成全局摘要，支持本地查询（实体推理）和全局查询（主题理解）。支持主流LLM（如Llama、GPT）。结合向量检索、图遍历和查询式检索，
2025-10-16 16:58:32
1072
原创 RAGanything 论文研读
本文提出RAG-Anything框架，突破现有检索增强生成(RAG)系统仅处理文本的局限，实现多模态知识检索。通过双图构建策略整合跨模态知识图谱与文本知识图谱，结合结构化导航和语义匹配的混合检索机制，有效处理文本、图像、表格和公式等异质内容。实验表明，该框架在长文档多模态问答任务中显著优于现有方法，尤其在100页以上文档中准确率提升13个百分点以上。RAG-Anything为多模态RAG系统建立了新范式，解决了传统方法的信息丢失和架构碎片化问题。
2025-10-16 16:53:59
603
原创 GraphRAG本地部署 v2.7.0
文章摘要：本文详细介绍了GraphRAG项目的本地部署流程，包括两种开发方式：基于源码和基于Python包。基于源码方式需要创建虚拟环境、安装依赖、配置API密钥（支持OpenAI和Azure两种模式），并运行索引和查询流程。基于Python包方式则更快捷，通过pip安装后即可初始化项目并执行索引查询。两种方式都支持全局查询（宏观理解）和局部查询（细节分析），最后以《圣诞颂歌》文本分析为例演示了完整流程。配置文件中可调整模型参数和认证方式（含Azure托管身份验证）。
2025-10-16 15:03:26
1078
原创 KAG 本地部署&应用案例
KAG本地部署指南摘要：KAG支持产品模式和开发者模式两种本地部署方式。产品模式下，用户需安装Docker环境，通过docker-compose启动服务，默认访问地址为http://127.0.0.1:8887（账号/密码：openspg/openspg@kag）。开发者模式需安装Python3.10+环境，通过git克隆代码库并pip安装。KAG已在多个领域落地应用，包括蚂蚁集团的开发环境搭建和领域知识图谱构建实践案例，具体实现可参考相关技术博客。系统要求覆盖三大平台：macOS12.6+/CentOS7
2025-10-16 10:55:42
704
原创 Nano-graphrag 代码详解
nano-graphrag是一个轻量级的GraphRAG实现，保留了核心功能但代码更简洁（约1100行）。它支持多种部署方式（FAISS/Neo4j/Ollama等）和异步处理，具有完整类型定义。项目提供详细的本地部署指南，支持OpenAI/Azure/Amazon Bedrock等API，也可使用本地模型（如Ollama）。核心功能包括文本分块、实体关系提取、知识图谱构建和社区报告生成，支持增量插入和多种查询模式（全局/本地/基础RAG）。代码结构清晰，包含prompt管理、LLM调用、存储组件等模块，便
2025-10-15 16:22:13
1241
原创 YoutuRAG 开源框架
腾讯开源《Youtu-GraphRAG》提出了一种垂直统一的智能体范式，通过图谱schema将知识组织与检索深度整合。该框架包含schema引导的智能体抽取、双感知社区检测构建层级化知识树、智能体检索器实现迭代推理等创新设计。在六个基准测试中，相比现有方法token成本最高降低90.71%，准确率提升16.62%，展现了优异的鲁棒性和跨领域适应能力。研究还构建了匿名数据集以规避LLM知识泄露问题，为GraphRAG技术的公平评估提供了新思路。
2025-10-14 17:15:07
728
原创 LightRAG：知识图谱+双层检索
本文介绍了检索增强生成（RAG）系统LightRAG的创新框架。现有RAG系统存在依赖扁平数据表示和上下文感知能力不足的问题，导致生成答案碎片化。LightRAG通过将图结构融入文本索引和检索过程，采用双层检索系统（底层检索特定实体，高层检索广泛主题），结合向量表示，显著提升了检索效率和准确性。实验表明，相比现有方法，LightRAG在多个数据集上表现更优，尤其在复杂查询场景下优势明显。该框架还支持增量更新，确保系统在动态环境中保持高效。目前已开源实现。
2025-10-13 16:30:30
900
原创 微软GraphRAG
摘要： 本文提出GraphRAG方法，结合知识图谱与查询导向摘要生成（QFS），解决传统检索增强生成（RAG）在全局理解型任务中的局限性。GraphRAG通过两阶段构建图索引：1) 从文档中提取实体与关系构建知识图谱；2) 基于社区检测生成层级化“社区摘要”。回答查询时，系统并行生成部分社区摘要回答，再汇总为全局响应。实验表明，在百万词元级数据集（如播客文稿和新闻文章）上，GraphRAG在回答的全面性和多样性上显著优于传统向量RAG，且资源效率更高（顶层摘要词元消耗减少97%以上）。该方法为大规模文本语料
2025-10-09 11:56:43
841
原创 KAG:大模型知识服务框架
最近，快速发展的增强检索生成（RAG）[1, 2, 3, 4, 5] 技术在赋予大语言模型（LLMs）获取领域特定知识的能力方面发挥了重要作用。这是通过利用外部检索系统实现的，从而显著减少了答案幻觉的发生，并使在特定领域构建应用成为可能。为了提升 RAG 系统在多跳和跨段落任务中的性能，具有强大推理能力的知识图谱被引入到 RAG 技术框架中，包括 GraphRAG[6]、DALK[7]、SUGRE[8]、ToG 2.0[9]、GRAG[10]、GNN-RAG[11] 和 HippoRAG[12]。
2025-09-30 16:57:52
1190
原创 RAG调参
RAG 效果优化的核心逻辑是 “全链路拆解，针对性突破”—— 数据层确保 “有好料”，检索层确保 “找得到”，生成层确保 “用得好”，跨层优化确保 “可持续”。实际优化中需避免 “盲目追求复杂策略”，应先通过评估定位瓶颈（如先判断是 “检索漏检” 还是 “生成幻觉”），再选择性价比最高的方案（如检索精度低优先试混合检索，幻觉多优先加强 Prompt 约束）。
2025-09-29 09:20:42
629
原创 RAG评估指标
RAG系统评估主要分为检索和生成两部分。检索评估指标包括精确度、召回率、命中率、MRR和NDCG，用于衡量检索结果的相关性和排序质量。生成评估则关注：1）忠诚度（答案是否基于检索内容）、2）答案相关性（是否符合用户问题）、3）正确性（与参考答案一致性）、4）上下文精确率（利用检索内容程度）、5）上下文召回率（检索内容是否完整支持答案）。通过优化这些指标（如某案例将忠诚度从0.72提升至0.91），可显著改善RAG系统性能，减少幻觉并提高回答质量。
2025-09-16 20:24:57
1095
原创 RAG优化策略2
本文系统分析了17种RAG优化策略。基础方法如SimpleRAG（0.3分）直接拆分文本，效果有限；改进方案如语义分块（0.2分）和上下文增强检索（0.6分）通过合并语义单元或扩展上下文提升效果。更优方法包括文档增强（0.8分）生成相关问题辅助检索、滑动窗口检索（0.8分）定位连续片段，以及层次索引（0.84分）构建多级摘要结构。融合检索（0.83分）结合语义与关键词检索，AdaptiveRAG（0.86分）通过场景细分实现最优策略。研究表明，组合多策略可显著提升系统性能，其中上下文理解、连续片段检索和用户
2025-09-16 11:24:49
880
原创 RAG优化策略1
检索增强生成（Retrieval-Augmented Generation，以下简称RAG）是一种比较有效的大模型使用场景中的补充模型能力的机制，在实践中可以通过调整其各种参数提高RAG流程的性能。类似于深度学习中的实验，数据增强技术不是，而是可以调整和实验的旋钮。分为“数据索引阶段”和“推理阶段”优化。
2025-09-16 10:29:15
623
原创 MedRAG 论文研读
MedRAG提出了一种面向医疗领域的检索增强生成（RAG）模型，通过整合四层分级诊断知识图谱（KG）实现精准临床决策支持。该系统构建了包含疾病关键差异特征的知识图谱，与电子健康记录（EHR）动态结合后触发大型语言模型（LLM）推理，可生成高特异性诊断、个性化治疗建议及主动随访问题。
2025-08-27 15:05:20
906
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人