知识图谱标签_ModelEngine社区

知识图谱

斩获72k Star！谷歌大牛开源LLM终极宝库，100+智能体和RAG项目从入门到精通，收藏这篇就够了！

你是否有过这样的困扰：满怀热情想开发一款AI应用，却发现自己的技能止步于“调API”？今天为大家推荐一个GitHub开源项目**awesome-llm-apps，一个AI应用大全**，由谷歌云高级AI产品经理Shubham Saboo创建并维护。目前项目已斩获**72k Star**，发布以来多次登上GitHub热门榜单。

程序猿李巡天
2025-10-20 20:30:44

 1122

 22

#开源 #知识图谱 #人工智能 +3
大模型上下文管理的5种实用技术，提升AI应用性能！

文章介绍大模型五种关键上下文管理技术：卸载(外部存储)、缩减(内容压缩)、检索(按需获取)、隔离(空间分离)和缓存(复用稳定部分)。这些技术能有效解决上下文窗口限制问题，提升模型处理效率。产品实施需平衡信息完整性、检索一致性、性能表现与错误恢复机制，优化AI应用体验。

Python程序员小泉
2025-10-22 11:31:51

 1216

 13

#人工智能 #java #知识图谱 +1
Dify 搭建私有的RAG知识库（实操篇）大模型入门到精通，收藏这篇就足够了！

还在为构建私有化AI应用犯愁吗？今天给大家介绍一款强大的开源利器——Dify。这款被称为’AI应用开发神器’的平台，正在悄悄改变着开发者构建AI应用的方式。

瓦罗兰特顶级C位
2025-10-15 11:10:23

 1307

 30

#人工智能 #知识图谱 #RAG
Claude Skills解决了一个AI Agent面临的根本问题：如何简单快速的让AI具备特定领域的专业能力

Claude Skills创新性地解决了AI Agent专业能力适配的难题，通过"文件夹+Markdown"的标准化格式，将领域知识打包成可复用的技能包。相比传统方案（长提示词、微调模型、子代理模式），Skills采用渐进式知识加载机制，按需调用相关文件，既避免了上下文爆炸，又实现了零学习成本的技能共享。这种设计让单一AI实例能动态加载不同专业知识，大幅提升了企业级AI应用的灵

 AI大模型学习官
2025-10-18 15:41:26

 2431

 18

#人工智能 #java #python +3
小模型才是Agent的未来？

英伟达研究人员提出小模型（10B以下）更适合作为智能体系统的核心，认为当前过度依赖大模型存在高成本问题。研究表明，40-70%的智能体任务可由小模型处理，新一代小模型在特定任务上表现接近大模型，且更经济、低延迟、易部署。建议采用异构架构：日常任务用小模型，复杂任务再调用大模型。阻碍因素包括企业惯性、评测偏差和市场认知不足。该观点强调"稳快省"比全能更重要，为AI应用开发提供了新

 AI大模型学习官
2025-11-03 18:34:01

 626

 24

#java #python #人工智能 +2
程序员必看！收藏这份LLM Agent转型指南，抓住AI应用工程师新机遇

通俗来讲，AI 应用工程师就像是架起人工智能技术与现实应用之间桥梁的 “建造者”。他们的工作远不止是编写代码，更重要的是负责 AI 驱动系统的整体设计、开发与落地部署。比如，利用大型语言模型（LLM）打造智能代理，助力企业实现决策自动化，让业务流程更高效。和传统软件开发者相比，AI 应用工程师的工作重心有着明显差异。传统软件开发者可能更专注于修复程序漏洞、优化用户界面，确保软件稳定运行；

m0_48891301
2025-10-19 11:00:00

 1479

 23

#人工智能 #学习 #知识图谱
AI工程 | MCP是怎么跟大模型交互的？

MCP与大模型交互主要通过提示词工程实现，包括系统提示词（tools字段）和用户提示词（messages字段）两种方式。系统提示词通过API的tools字段传递工具信息，适用于支持Function Call的大模型；用户提示词则通过messages字段传递工具信息，适用于不支持tools字段的模型。两种方式各有优劣：系统提示词更规范可靠，而用户提示词更灵活但稳定性较差。随着AI大模型技术的发展，提

 AI大模型学习官
2025-10-20 16:42:18

 601

 17

#人工智能 #交互 #java +4
【强烈推荐】别再焦虑AI取代！转型LLM Agent工程师，薪资暴涨40%+

面对AI编程工具的崛起，程序员不应恐惧被取代，而应把握转型AI应用工程师的机遇。特别是LLM Agent应用工程师，2025年市场需求激增，薪资比传统岗位高20-30%。转型需要掌握Python、AI框架、提示工程等技能，并关注ReAct框架和多代理协作技术。通过学习基础概念、实践项目和积累经验，程序员可从"受害者"转变为AI的"操控者"，抓住AI浪潮带来的职业发展新机遇。

咔咔学姐kk
2025-10-17 19:00:36

 919

 22

#人工智能 #transformer #深度学习 +1
掌握Agent、RAG与MCP“铁三角“，让你的AI应用效率提升300%！

文章介绍了企业AI智能化的核心架构——由Agent、RAG和MCP构成的"智能铁三角"。Agent作为决策中枢负责自主决策和任务执行；RAG作为实时知识引擎提供精准检索和动态知识更新；MCP作为调度中枢负责流程分解和任务协调。三者协同工作可解决90%企业难题，将AI从单一工具转变为智能系统，实现效率提升300%的智能化升级。

发菜君
2025-10-18 11:47:29

 1171

 11

#人工智能 #产品经理 #深度学习 +1
还在写Prompt？AI落地你必须知道Context Engineering，大模型入门到精通，收藏这篇就足够了！

怎么利用上下文技术的把AI应用的用户体验做到更好？今天一文带你了解上下文技术的全貌。

人工智能小豪
2025-10-14 11:29:27

 438

 5

#人工智能 #知识图谱
OWL深入分析，打造个人通用Agent

OWL 的多智能体协作机制通过分层架构和模块化设计实现高效协作。它的核心组件包括 BaseAgent、ChatAgent、RolePlaying、Workforce 以及 Task 相关 Agent 等，这些组件各司其职，共同完成任务分解、角色分配和任务执行等功能。项目地址：https://github.com/camel-ai/owl。

小马不会过河
2025-03-28 11:04:56

 1470

 19

#语言模型 #机器人 #人工智能 +2
中科院开源：多智能体 + 知识图谱，自动生成高质量医学数据

答10论文实验证明，用 m-KAILIN 生成的数据给生物医学大模型做连续预训练 (CPT) 或监督微调 (SFT)，模型在各种医学 QA 任务上精度显著提升。甚至在一些场景下，小参数模型也能和更大规模的商用模型接近或超越。总结m-KAILIN 的核心思路把海量医学文献先“提取+转换”成问答格式再用先进 LLM 去“填”答案，最终持续迭代生成一个规模庞大、质量高的生物医学问答训练集。通过多智能体协

 Debroon
2025-05-08 09:05:39

 2571

 49

#知识图谱 #人工智能
本地运行+数据安全：MCP协议多智能体金融分析攻略

本文介绍了一个基于MCP协议构建的本地化智能金融分析系统，该系统可直接集成到IDE中。系统采用多智能体协作架构(CrewAI)，包含查询解析、代码编写和代码执行三个专业智能体，通过Ollama本地部署DeepSeek-R1大语言模型确保数据安全。用户只需输入自然语言查询，系统就能自动生成Python分析代码、执行并可视化金融数据。文章详细阐述了系统架构、核心代码实现和Cursor集成方法，并展示了

 Python怎么学啊
2025-10-05 14:29:09

 967

 21

#人工智能 #知识图谱 #MCP
智能体综述：探索基于大型语言模型的智能体：定义、方法与前景

AI智能体崛起：机遇与挑战并存随着大型语言模型技术的突破，基于LLM的智能体正在成为人工智能领域的新焦点。这类智能体展现出强大的语言理解、任务规划和多领域适应能力，在数学推理、科学研究、金融分析等多个领域展现出应用潜力。其核心优势在于结合了自然语言交互与工具调用能力，能够实现复杂任务的自动化处理。然而，当前技术仍面临三大核心挑战：模型的知识更新滞后、上下文长度限制带来的信息处理瓶颈，以及多智能

 AI大模型学习官
2025-10-27 18:08:33

 459

 3

#语言模型 #人工智能 #自然语言处理 +4
基于情境依赖因果影响的多智能体协作强化学习

文章介绍了一种新的多智能体强化学习（MARL）算法，名为情境依赖因果影响多智能体协作强化学习（SCIC），其目的是为了提升智能体间的协作能力和探索能力。该算法通过分析多智能体环境中智能体之间的因果影响，在特定情境下利用因果干预和条件互信息来识别智能体行为对其他智能体产生的影响。这种方法有助于智能体发现那些能对其它智能体产生正面效果的状态，进而促进智能体间的合作。实验结果表明，SCIC在多种MARL

程序员笑武
2024-10-17 20:09:13

 1259

 22

#人工智能 #深度学习 #机器学习 +4
为什么你的AI产品不好用？核心问题可能出在【上下文工程】！

从提示工程（Prompt Engineering）到上下文工程（Context Engineering），AI应用正经历思维模式的升级。提示工程虽能优化单次交互，但无法解决长线记忆和复杂工作流问题。上下文工程通过构建模型推理时的完整信息环境（如记忆管理、多智能体协作、工具调用等），实现更稳定的智能输出。例如，Cursor代码生成工具融合了聊天记录回溯、文件结构分析、RAG检索等上下文管理技术。实践

 LLand520
2025-07-29 11:47:53

 928

 26

#人工智能 #AI #知识图谱
基于LangGraph的多智能体系统

在这篇文章中，我们将深入分析一个基于LangGraph框架实现的多智能体协作系统。这个系统能够自动完成数据搜索和可视化的任务，是一个展示AI智能体协作的案例。这个项目展示了如何使用现代AI工具构建一个实用的多智能体系统。通过合理的架构设计和工具选择，实现了一个能够自动完成从数据搜索到可视化的完整工作流。

Python_金钱豹
2025-03-02 10:45:00

 1774

 9

#信息可视化 #知识图谱 #人工智能 +3
企业必备项目？deepseek与本地知识库的部署！

三分钟教你deepseek与本地知识库结合，实现一个企业适用的智能体编排

 wonder357
2025-02-05 13:32:26

 1748

 11

#人工智能 #自然语言处理 #知识图谱 +1
LangGraph学习笔记 (一)LangGraph基础+架构

在AI技术日新月异的2025年，单打独斗的AI模型已难以应对复杂场景的需求，多智能体协作系统正成为企业实现复杂AI应用的关键。

人工智能小豪
2025-10-09 10:47:01

 1178

 26

#人工智能 #自然语言处理 #知识图谱
支持持久化知识图谱！多Agent协同的革命性框架

本框架专为需要复杂多智能体编排能力的经验丰富的 AI 开发者设计。Agent-MCP 需要熟悉 AI 编码工作流程、MCP 协议和分布式系统概念。我们正在积极改进文档和易用性。如果您是 AI 辅助开发的新手，建议先从更简单的工具开始，在需要高级多智能体功能时再回来使用。为AI开发带来多Agent协同的革命性框架。它能解决传统AI开发中上下文混乱、单线程瓶颈和任务冲突等问题。吸睛亮点：1. 多Age

爱喝白开水a
2025-09-22 18:57:26

 926

 28

#知识图谱 #人工智能 #开发语言 +1
北大Chatlaw - 基于知识图谱增强混合专家模型的多智能体法律助手

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。研究问题：这篇文章要解决的问题是如何利用多智能体协作和知识图谱增强的混合专家（MoE）大型语言模型（LLM）来提高法律服务的可靠性和准确性，以解决现有法律辅助服务中存在的信息幻觉问题。研究难

 程序猿李巡天
2025-01-16 10:45:00

 2592

 47

#知识图谱 #人工智能 #自动驾驶 +3
AI智能体如何基于知识图谱增强大模型构建“真理系统”以驱动可解释智能决策

知识图谱作为AI系统的"真理系统"，通过结构化表示实体、关系和语义网络，为机器提供上下文理解与复杂推理能力。本文解析了知识图谱的核心架构（实体、关系、本体、数据层）及其在医疗等领域的应用价值，重点探讨了其与大模型的协同效应（如GraphRAG）、因果建模能力及企业级架构设计。知识图谱通过支持可解释推理、反事实分析和多智能体协作等高级功能，正成为驱动智能决策的关键基础设施，尤其在

 xianggll
2025-10-17 10:24:14

 909

 8

#知识图谱 #人工智能
万字详解MCP：从理论到实战，全网最全讲解，小白也能看懂！

这篇万字长文，我们将全面拆解 MCP 从概念、原理到底层实现，一步步带你理解它为什么是多智能体协作、RAG 系统、任务型对话、智能体编排等场景的「通用语言」和「执行中枢」

AI小白熊
2025-05-20 11:07:37

 3962

 29

#人工智能 #知识图谱 #学习
技术动态 | 基于知识图谱增强混合专家模型的多智能体法律助手（ChatLaw）

研究问题：这篇文章要解决的问题是如何利用多智能体协作和知识图谱增强的混合专家（MoE）大型语言模型（LLM）来提高法律服务的可靠性和准确性，以解决现有法律辅助服务中存在的信息幻觉问题。

小城哇哇
2025-01-13 11:39:24

 756

 9

#知识图谱 #人工智能 #语言模型
AI智能体常用五大范式：反思、工具、推理、规划与多智能体协作

在人工智能的浪潮中，智能体（Agent）正以前所未有的速度演化，驱动着AI从“工具”向“伙伴”转变。无论是大模型的自我反思，还是多智能体的协作分工，背后都蕴含着深刻的认知科学、哲学思想与工程创新。理解这些智能体范式，不仅有助于我们把握AI技术的前沿脉络，更为未来的通用人工智能（AGI）奠定理论与实践基础。

程序猿李巡天
2025-06-24 20:41:37

 1597

 8

#人工智能 #语言模型 #算法 +1
MCP系列第十二集：MCP协议--重构多智能体协作的神经网络

MCP（Model Context Protocol）协议的出现，如同AI领域的USB-C接口，通过标准化通信机制实现智能体与外部世界的无缝连接。MCP协议正以“数字神经网络”的姿态重构多智能体系统。从汽车工厂的机器协同到跨境支付的毫秒级风控，这项技术证明：当智能体突破数据藩篱，其产生的群体智能将远超个体能力之和。未来，随着量子计算芯片与MCP协议的融合，我们或许将见证智能体网络实现真正意义上的“

charles666666
2025-05-07 12:42:24

 1603

 33

#人工智能 #自然语言处理 #知识图谱 +1
聊聊智能体的记忆机制（Agent Memory）

新加坡国立大学提出的MemGen技术为智能体设计了一种创新的记忆机制，模仿人类记忆过程实现动态知识整合。该技术通过分离推理器和记忆模块，避免了传统方法的两大弊端：检索式记忆的效率低下和参数化记忆的灾难性遗忘问题。实验表明MemGen在数学推理、代码生成等任务中表现出色，准确率显著提升（55% vs 40%），并能跨领域泛化应用。其核心优势包括实时记忆注入、无遗忘学习和多层次记忆结构，使智能体更接近

 AI大模型学习官
2025-10-31 21:35:08

 600

 4

#java #python #语言模型 +4
LLM Agent彻底爆火！2025年AI必争风口，从入门到精通全攻略，收藏这一篇就够了！

《AI Agents》系统介绍了AI智能体的核心概念、架构设计与应用实践。全书通过丰富的示意图与案例，生动解析智能体如何感知、决策与交互，覆盖从基础模型到多智能体协作的前沿进展。无论是初学者还是开发者，都能通过本书快速理解智能体的运作机制与未来潜力，探索人工智能的下一波浪潮。

Python编程杰哥
2025-09-24 19:58:33

 1204

 7

#人工智能 #分布式 #xml +2
从提示工程到智能体设计：吴恩达提出的4种AI应用新范式！

吴恩达提出四种AI智能体设计模式：反思（自我审查修正）、工具使用（调用外部工具）、规划（拆解复杂任务为多步骤计划）和多智能体协作（多个AI共同解决问题）。这些模式强调让AI通过结构化的多步动作而非一次性生成答案来完成任务，更接近人类思维，提高复杂任务准确性。这些模式可协同工作，推动AI开发从提示工程迈向更系统的智能体设计，释放大语言模型解决现实世界问题的潜力。

进击的码农！
2025-10-03 08:00:00

 829

 9

#人工智能 #知识图谱 #金融 +2
最新综述 | 大模型智能体时代的推荐系统

近年来，大语言模型（LLMs）与推荐系统（RS）的融合开启了个性化和智能化用户体验的新时代。本综述全面概述了基于LLM的AI智能体（LLM Agent）与推荐系统协作的现状及未来发展方向。我们首先分析了LLM智能体与推荐系统之间的互利共生关系。具体来说，我们从设计LLM智能体的各模块入手，分析了用户画像、记忆模块、规划模块、行为模块以及多智能体协作等关键组件在推荐系统中的应用。

朝阳区靓仔_James
2025-01-30 20:16:25

 1.3w

 19

#milvus #算法 #python +2
AI时代新赛点：模型非王道，系统架构决胜负！

本文系统拆解了智能体（AI Agent）系统的三层架构：大模型层（智能底座）、AI框架层（逻辑管理）和工具生态层（执行落地）。重点分析了LangChain（实现智能体思考）、LangGraph（多智能体协作）和MCP（数据互通）三大框架的核心功能，并详细介绍了工具层、知识库层和AI IDE层的具体应用。文章提供了从最小智能体到企业级系统的完整落地路径，强调智能体系统不是简单的模型接入，而是需要系统

 Python怎么学啊
2025-10-07 15:21:23

 705

 21

#人工智能 #知识图谱
一文读懂上下文工程：AI如何化身“记忆大师”？大模型入门到精通，收藏这篇就足够了！

上下文工程的出现标志着大模型应用已经从能回答问题走向能系统地思考和协作。未来，无论是在多智能体协作，还是在人机交互的各种场景里，上下文工程都将是一种必不可少的基础能力。

人工智能小豪
2025-09-23 14:18:18

 809

 15

#人工智能 #产品经理 #自然语言处理 +1
AI智能体开发框架深度解析：从LangChain到AutoGen的技术差异

在智能体定制开发过程中，框架选型是至关重要的第一步。面对市场上琳琅满目的智能体开发工具，开发者往往难以准确区分其特性与适用场景。本文将深入解析五大主流框架的核心差异、设计理念及目标用户群体，助您迈出正确的技术选型第一步。

大鱼Ss
2025-07-14 18:54:18

 2048

 15

#人工智能 #知识图谱 #架构
吴恩达重磅新课：Agentic AI，解锁AI智能体开发核心技能！

吴恩达推出AI智能体构建课程，聚焦未来最热门技能。课程教授四大核心设计模式：反思改进、工具使用、任务规划和多智能体协作，并强调评估与错误分析的关键作用。通过Python实战项目，学员将掌握构建自主AI助手的能力。课程适合有Python基础者，提供从理论到实践的系统训练，帮助学习者把握AI领域最新就业机会。随文附赠104G大模型学习资源包，涵盖视频教程、技术文档等优质内容。

Python怎么学啊
2025-10-10 21:20:47

 754

 5

#人工智能 #产品经理 #知识图谱