HiRAG是一种基于层次化知识增强的检索生成方法，通过构建多层级知识图谱提升问答效果。其核心流程包括：1）知识图谱构建，通过实体抽取、关系抽取形成基础图谱；2）实体层级聚类，使用高斯混合模型逐层聚合实体，以稀疏度（衡量聚类分散程度）作为停止条件；3）社区发现，采用Leiden算法检测知识社区。该方法创新性地融合了图拓扑层次和语义抽象层次，其中高层级的抽象实体（稀疏度≥98%）不参与检索但丰富了知识

本文介绍了基于聊天记录的问答系统实现方案，主要采用GraphRAG和Text2SQL两种技术相结合的方法。GraphRAG擅长处理全局性问题（如人物特征分析、话题检索等），而Text2SQL则适用于精确查询（如特定时间段的聊天记录查询）。文章详细阐述了两种技术的实现策略：GraphRAG通过实体关系抽取和合并来实现全局性回答，采用昵称映射解决特殊字符和复读问题；Text2SQL通过路径向量化和LL

本文探讨了LangChain框架中Reflexion模块的实现与论文原版的差异。LangChain版本主要通过Revisor组件实现答案迭代优化，包含生成反思、搜索查询和修订答案的循环过程。而原论文Reflexion架构更强调记忆系统，包含短期记忆（记录历史优化轨迹）和长期记忆（存储优化经验）两个核心模块。实验代码可见于GitHub项目llm-reasoners，展示了基于语言模型的强化学习在智能

本文实验代码熟悉ReWOO的同学会发现，Plan-and-Solve怎么和ReWOO怎么那么像，实际上，本文要分享的是Plan-and-Execute。阅读本文之前，建议看看Agent之ReWOOPlan-and-Solve原文，实际只是对提示词的改进而已，主要是对原先的 “Let’s think step by step” 进行了一些细化。这里直接贴一下AI的理解：Plan-and-Solve核

文章摘要：本文介绍了大语言模型中的Reflection（反思）设计模式，通过让模型自我评估和迭代改进来提升输出质量。作者以作文写作为例，展示了如何让模型生成初稿后，再扮演教师角色进行评价，最后基于反馈重新生成改进版本。文章提供了两种实现方式：基础代码示例展示了单次反思流程，而LangGraph版本则实现了多轮迭代的自动化循环。该方法体现了"左右互搏"的模型自我优化思想，适用于需

本文对比了LeanRAG与HiRAG在图谱构建和推理过程上的差异。LeanRAG作为HiRAG的优化版本，简化了图谱构建过程，仅使用实体embedding的层级聚类，并采用最低共同祖先(LCA)路径搜索构建推理路径。核心算法包括：1)生成实体对组合；2)查找实体到根节点的路径；3)计算最短路径；4)收集关系信息。与HiRAG相比，LeanRAG通过LCA策略实现更紧凑的路径连接，减少上下文冗余，而

摘要：Tree of Thoughts (ToT)是一种新型的大语言模型推理框架，通过构建解决方案树实现多步推理。论文以Game24游戏为例，展示了ToT如何通过生成-评估-选择的三步循环进行智能搜索：首先生成多个候选操作（如1+1=2），然后评估每个候选的前景（sure/likely/impossible），最后选择最优路径继续探索。相比传统方法，ToT能同时考虑多种可能性，支持回溯修正，显著提

Agent Skills是一种模块化解决方案，通过标准化目录结构（包含SOP、工具和资源）为智能体提供特定任务能力。其核心优势在于分层加载机制：仅预加载技能名称和描述（约100 tokens），需要时才加载详细内容和资源，相比传统方式可节省90% token消耗。每个技能由SKILL.md文件定义，采用渐进式披露设计，包含YAML元数据和执行指南。技能还能捆绑确定性代码工具，提升执行效率。这种设计

本文探讨了如何让大语言模型(LLM)生成图文混排内容的方法。针对产品手册等知识库问答场景，提出了两个关键解决方案：1)通过调整提示词(Prompt)，明确要求LLM保留并输出原始图片URL；2)针对长URL容易出错的问题，采用"短键映射"策略，先用唯一短键替换长URL，待LLM输出后再映射回原链接。文章还展示了实现代码片段，包括图片URL提取、短键生成和图片描述自动生成等关键步

前段时间想玩玩昇腾，发现华为云上租地GPU服务器，没有最新地cann8.0的镜像，自己折腾了许久，根本无法替换自己的镜像上去，此处省略一万字关于华为云的吐槽。启智社区提供了不少国产厂家的免费算力，接下来，话不多说，开整。