摘要：HuggingFists是一款面向全结构数据处理的低代码Workflow工具，通过可视化界面实现高效的数据流程编织。该系统提供组件区、设计区和属性区三大功能模块，支持算子拖拽、端口连接、变量设置等操作，并具备调试、断点检测、性能优化等功能。其创新性地采用流程树和容器算子设计，支持复杂数据处理逻辑的可视化构建，同时通过批处理、死锁检测等机制保障运行稳定性。该工具旨在降低数据处理门槛，提升开发效

HuggingFists平台全面支持MCP技术，既支持接入外部MCP服务，也能对外提供MCP服务。平台将MCP工具与API能力整合，用户可在"数据服务"模块管理INNER(内部)和REMOTE(外部)两类MCP服务。内部服务可灵活部署于多个专用节点，外部服务通过URL接入。平台提供统一界面管理所有工具，并支持在AI流程中混合使用MCP工具和API，通过ReActLLMAgent

上图是RapidMiner工具的流程表达方式，可以看到其每个功能节点上都有输入/输出端口的表达，通过端口我们可以直观的看到一个功能节点工作时需要几个输入并会有几种输出结果(注：我们可以看到图中的每个功能节点都有多个输出，这是由于RapidMiner的每个端口只能有一个连线的设计导致的。因此，笔者更喜欢上面谈及的经典的点线模式的低代码表达方式。如文章开头介绍的，依托于Spark、Flink技术构建的

HuggingFace的预训练模型在多个自然语言处理任务上的出色表现，如自然语言生成、文本分类、问答系统等，再加上丰富的工具和API，因此，可以帮助研究人员更加方便地使用预训练模型进行实验和研究。众所周知，Hugging Face是一家人工智能（AI）技术公司，致力于开发和推广自然语言处理（NLP）技术，通过搭建开源的模型平台和社区，为开发者提供了许多NLP模型和工具，并能够构建和部署自己的NLP

于是，去年下半年，开始陆续出现了一些以LangChain作为基础的低代码类RPA工具，如：Flowise，LangGraph以及国内最近非常火的Dify等工具。这些工具的出现，进一步降低了LLM的应用成本和搭建AI Agent的成本。通过组件拖拽，可视化的构建数据处理流程和AI的应用逻辑，可降低对实施人员的编程能力要求，使得有经验的业务人员有机会参与工程落地；有别于现在流行的RPA类低代码平台，H

HuggingFists是一款低代码AI应用工具，力图发展为LangChain的低代码平替工具。HuggingFists发起于数由科技的Sengee数据科学计算框架，因此其界面风格继承了数据科学工具的很多特征。有别于完全基于LangChain衍生出的低代码工具Flowise，其风格更类似于开源的ETL工具Kettle或者是数据分析工具RapidMiner、KNIME等。对于熟悉这类工具的使用者来说

之前写了几篇关于如何使用HuggingFists系统搭建LLM RAG应用的文章。对于使用者来说，HuggingFists现在能带来两大点帮助。一是能够以低代码的方式快速处理客户的各类存量文档，如Word、Visio、PDF等。这些文档内容多样，其中不乏需要用到OCR等相关技术才能识别和抽取的内容；二是可以帮助使用者快速搭建出LLM RAG的研究环境，可以对比研究各LLM的差异，RAG的应答效果评

HuggingFists正是在这样的需求背景下产生的。从HuggingFists的名字也不难看出，其与HuggingFace一定存在某种渊源。事实是，开发团队为了表达对HuggingFace公司在人工智能领域为所有从业者做出的贡献，故将其命名为”HuggingFists”,并为其设计了如下的图标，以一种中国人的礼仪文化对其表达了诚挚谢意。HuggingFists支持通过低代码的方式使用Huggin

《数据编织：异构存储自动化治理的新思路》摘要 本文探讨了企业在数据治理中面临的核心挑战：随着信息系统增多，数据表管理日益混乱，传统治理方法难以覆盖异构存储环境。作者团队基于十年前的研究理念，开发出符合"数据编织"架构的解决方案。数据编织通过AI驱动的元数据管理，构建统一逻辑视图，实现跨异构数据源的自动化治理。系统能够识别字段语义、分析表间关系，形成全局数据地图，无需物理迁移数据

在今年以OpenAI为代表的LLM席卷全球前，笔者尝试了很多开源技术来进行实体关系的识别，发现中文环境下，百度的Paddle所展示出的效果最好的。一种更好的办法是，在提示中给出Json格式的输出样例，以确保LLM按照指定的格式输出结果，方便后续的程序统一处理，更加简单、方便。从目前的实验结果看，使用LLM进行实体关系的识别，较之前的技术，有了很大程度的提升。但在使用LLM的这种技术时，需要注意，不