最近我和一个律师亲戚聊AI时，问了我应该怎么对现在律师事务所庞大的文档做AI检索，从技术上讲用现在的LLM+RAG可以满足需求，但细想不太对劲，因为这里面涉及到很多专业知识，还有律师的专有思维路径，一个不懂律师业务的程序员肯定是做不好的，于是有幸跟他们合伙人进行了深入沟通，合伙人说了一堆但我总结下来就这么一句话

本文探讨了GraphRAG（检索增强生成）技术的实现方法，指出开发者在构建GraphRAG系统时往往过度依赖复杂的图数据库、查询语言和分析工具。作者强调，生成式AI的用例与传统图分析场景根本不同，大多数GraphRAG应用只需要进行局部邻域探索，而不需要复杂的全图分析。文章建议采用以向量存储为核心、按需添加图功能的简化架构，避免不必要的技术复杂性。

近一年来，开源大模型快速演进，个人用户也能搭建属于自己的本地问答系统（RAG）。工具五花八门，每一个都声称一键部署，但你点进去后，往往看到一堆让人头大的名词：Qwen1.5-7B-Q4_K_M-GGUF？bge-m3-int4-awq？reranker？embedding？gguf？fp8？？别急，这篇文章不讲操作步骤，只做一件事，通俗解释这些你即将遇到的关键术语。理解它们，是你真正开始纯本地RA

文主要介绍如何在Ubuntu操作系统环境下，零基础快速安装Docker环境、安装Ollama、安装本地大模型DeepSeek-R1和大模型可视化工具Open WebUI，快速在本地搭建一款专属AI智能小助手。

AI Agent的任务规划能力的突破，我向来认为这是决定Agent是否真的能从原有技术体系跳出，被定义为跨代变革的里程碑。不像现如今的各种散落的单点升级，它是能把业务能力串起来，实现业务流重组的存在。业务的构成、运行机制，如果没有发生变革，其实都是补丁式的更新。至少在我看来，是这样的。这有意义，但也仅限于此了，并不有趣。

在本篇文章中，我们将通过LangGrah构建一个检索代理。我们让大语言模型（LLM）能够自主决定是从向量库中检索上下文，还是直接响应用户。大概的流程是：获取并预处理用于检索的文档；对这些文档进行语义搜索索引，并为代理创建一个检索工具；构建一个具备代理能力的RAG系统，使其能够自主决定何时使用检索工具。

在 AI 世界中，检索增强生成（RAG）系统已广泛用于处理简单查询，生成上下文相关回答。但随着 AI 应用复杂度不断提升，我们迫切需要一种能执行多步推理、保持状态和具备动态决策能力的智能体系统。

AI Agent-人工智能代理，是人工智能领域中的一个重要的概念，学会理解并使用它，是学习大模型应用开发的必经之路。本篇我将用通俗易懂的方式为各位同学介绍一下AI Agent，目的是让大家轻松上手AI Agent，打开一扇大语言模型进阶之门。

本文介绍了基于LangChain框架的AI Agent开发实践，对比了SequentialChain和Agent两种实现方式。SequentialChain采用固定顺序执行，适合确定性任务；而Agent通过ReAct模式实现动态决策，能处理复杂问题。文章通过高考信息查询案例，展示了如何使用LangChain的顺序链执行固定流程，以及如何利用Agent进行问题拆解和多表查询汇总，帮助开发者根据实际场

AnythingLLM：桌面版开箱即用，但本地模型需RTX 3060+GPU，混合模式依赖API稳定性（如DeepSeek R1宕机时体验下滑）。RAGFlow：Docker启动需调整系统参数（如vm.max_map_count），16GB内存门槛高，但企业级文档处理效果突出。