前言，智算中心核心任务是承载AI大模型的训练及推理等，进而为各行各业提供便捷、高效、领先和普惠的多元化“算力服务”，大模型作为智算时代的核心“产物”被大家广泛关注，从技术迭代和应用角度可细分为三个类型分别为基础大模型、行业大模型以及场景大模型（垂类大模型）。三者之间的区别和联系是什么？非专业领域朋友如何快速记住它们特点呢？今天我们简单聊聊！

Naive RAG 是最基础的检索增强生成架构，采用“索引-检索-生成”的经典流程。

LangChain 是一款开源框架，内置智能体架构，且可与任意模型或工具集成。2025年10月23日发布的LangChain1.0是一个非常大的革新，比如create_agent可以方面的创建ReAct模式的智能体，中间件的推出可以实现人机交互、动态系统提示词、动态注入上下文等等，通过向工作流中预埋中间件，能够实现工作流的高效拓展和可定制化。本文主要将注意力放在人机交互上。人机交互是ReAct模式

下面，结合最近整理的综述来进一步讨论这个公式。项目地址：**1.**

AG-UI协议就像是给AI应用装上了“智能导航”，让前后端之间的沟通更顺畅、更高效。开发者不用再纠结底层通信的问题，可以专心做真正重要的事——设计能帮用户解决问题的功能。对用户来说，AI变得更懂自己，不再是冷冰冰的工具，而是贴心的助手。不管你是经验丰富的AI开发者，还是刚入门的新手，AG-UI协议都值得你了解一下。它正在带你走进一个更智能的未来，一起探索AI的无限可能。

其它内容请读者自行下载PDF去学习，这里就不一一展示了。

⚠️ 自动提取无法识别业务逻辑关系，需人工补充！

GraphRAG（基于知识图谱的检索增强生成）是传统RAG方法的新进化，它结合了图谱驱动的结构化数据检索与基于向量的非结构化文本检索能力。传统RAG主要通过文本向量相似性检索文档片段，这对一般场景有效，但在面对需要推理、跨表连接等复杂问题时往往力不从心，经常“无法连点成线”，也难以把握大文档的全局语义。GraphRAG通过整合知识图谱，显式标注实体与事实间的业务关系，使AI能够像专家一样沿数据逻辑

此时语言模型对话内容中，就可以穿插自己定义的知识库内容了，还可以发布、预览到此，就完成了基础的部署。

整个操作下来，AnythingLLM 的体验没有cherry好。AnythingLLM就像一个包壳的web应用(后来查了下，确实是)。AnythingLLM 得具备一定的程序思维，给技术人员用的。非技术人员还是使用cherry吧。作为喜欢折腾的开发人员，我们可以结合dify使用。个人知识库+本地大模型的优点隐私性很好，不用担心自己的资料外泄、离线可用在工作和学习过程中对自己整理的文档，能快速找到，