onebe的博客

本文对比了OpenManus和Qwen-Agent两大LLM框架的核心模块差异。OpenManus采用面向对象设计，强调明确的规划-执行流程，适合结构化任务；Qwen-Agent则基于函数调用机制，支持动态工具注册和并行执行，灵活性更强。两者在LLM接口、工具系统、记忆管理等方面各有特色：OpenManus绑定OpenAI，Qwen-Agent兼容多模型；OpenManus工具管理手动，Qwen-Agent自动注册；OpenManus仅短期记忆，Qwen-Agent支持长期检索记忆。文末还提供了硅基流动平台

使用duckduckgo_search python api 进行免费且不限次数的搜索。

－ 协调器： CrewMotleyCrew 的核心是一个 “Crew” 对象，即多代理系统的指挥者。Crew 持有一个全局的知识图谱（使用 Kuzu 图数据库），用于记录所有任务、任务单元和其执行状态。Crew 不断循环查询“可执行任务”（所有上游依赖完成的任务），调用get_next_unit() 获取下一步的任务单元，并将其分派给对应的执行者（Agent）。任务单元被分派后即加入知识图，当执行完成时触发任务的 on_unit_completion 逻辑。Crew 支持同步与异步两种模式：在异步模式下

下表系统性梳理了 17 种 RAG（Retrieval-Augmented Generation）改进方法，按照「文档分块」「检索与重排序」「后处理与反馈」分类。每种方法附带方法说明、效果亮点、典型场景、代表工具及效果评分（0–100 分）。

主要解决如下问题： 1. rag作为数据‘外挂’，和提示词工程的先后顺序是怎样的？ 2. rag的每个阶段在做什么？ 3. 长文本条件下，如何有效解决？

RAG（Retrieval-Augmented Generation）作为一种将信息检索与生成模型相结合的技术方案，通过在生成阶段引入外部知识库，大幅提升了模型的准确性、时效性和可解释性。

从SurveyX工作出发，通过观察其对任务的解析和中间过程prompt结构，探讨对领域工作流构建的思路