graph

Graph 执行引擎源码：Eino 的节点调度是怎么工作的（第56篇-E42）系列「企业级 AI Agent 实现拆解」E42 篇，Part 9 源码深度篇第七章。E40 讲了 ReAct Graph 的拓扑，E41 讲了 HITL 中断恢复。这篇拆最底层：Graph 编译完之后，runner 是如何驱动节点一轮一轮执行的。

ai-agent框架spring ai/alibaba 原理源码分析(五)graph III 图执行上文分析了图编译，编译后图具备高效执行的数据结构，本文分析图执行，图执行可分两部分，主图执行，MainGraphExecutor负责，主图执行主要是图执行控制，包括START， END，中断；点执行，NodeExecutor负责节点处理。

Graph 编排：不只是 ReAct 的通用 DAG系列「企业级 AI Agent 实现拆解」补充篇 E3。E1 讲了 ReAct 怎么用有向图跑起来，E2 讲了图里的数据长什么样。这篇往前走一步——Eino 的 Graph 不只能画 ReAct 循环，它能画任何流程。意图识别走不同分支、RAG 的检索→重排→生成管道、多 Agent 协作的拓扑——全都能用同一张图表达。

Workflow 编排：字段映射、数据流分离系列「企业级 AI Agent 实现拆解」补充篇。前两篇讲了 Graph 和 Chain：Graph 能画任意流程，Chain 是线性管道的语法糖。但它们有一个共同的隐含假设——上一个节点的输出类型，正好是下一个节点的输入类型。现实世界不总是这样。这一篇讲 Workflow，专门解决"类型不匹配"问题的第三个编排工具。

Chain 编排：线性流、并行、Passthrough系列「企业级 AI Agent 实现拆解」补充篇 E4。[Graph 编排：不只是 ReAct 的通用 DAG]https://mp.weixin.qq.com/s/9rewe8ZV06b4tj0snnVuYw) 讲了 Graph 能画任意流程——节点、边、分支随便连。Graph 很强大，但大部分时候你的流程没那么复杂。翻译 → 摘要 → 评分，这种"一节一节往下走"的管道，用 Graph 写要手动连每条边，太啰嗦。Chain 就是为此而生的——线性流程的语法糖。

十、LangGraph能力详解（2）LangGraph入门教程，构建AI工作流目录1. 编码前的版本说明2. 【案例一】智能快递配送系统2.1 Graph API 编码思路2.2 代码实现

小码农叔叔

【微服务】Spring AI Alibaba Graph 多智能体AI工作流开发实战详解目录一、前言二、Spring AI Alibaba Graph 介绍2.1 Spring AI Alibaba Graph 是什么

GraphRAG【部署 01】Linux环境安装部署GraphRAG并使用Ollama本地大模型话不多说，先上 GitHub 文档地址：https://microsoft.github.io/graphrag/get_started/，本次在 Linux 环境下进行一次安装测试，环境说明：

灵动如画 —— 初识 Solon Graph Fluent API 编排Solon Flow 在提供 json/ xml 编排之后。还提供了一套极为丝滑的流程图 Fluent API。它让流程定义回归到程序员最熟悉的工具——代码。

图神经网络分享系列-GraphSage(Inductive Representation Learning on Large Graphs) (二)目录一、提出的方法：GraphSAGE嵌入生成算法（前向传播）参数学习1.1 嵌入生成（即前向传播）算法

AI大模型框架eino框架快速上手来具体看下eino框架的各个api注意这个图只定义了各个节点之间的流向，没有定义大模型，这个是eion框架设计的重要思想

C#将【程序集引用-依赖关系】展示到NetronLight图表中修改NetronLight.SimpleRectangle的Paint事件将文本居中。

Qwen3接入评测，最强开源模型更懂Graph了吗？今日凌晨，阿里开源Qwen3，推理成本大幅下降，性能全面超越 DeepSeek-R1、OpenAI-o1 等，问鼎全球最强开源模型。在代码、数学、通用能力各项性能指标中，Qwen3都名列前茅。与 DeepSeek-R1、o1、o3-mini、Grok-3 和 Gemini-2.5-Pro 等顶级模型相比，表现出极具竞争力的结果。

维度攻城狮

高效创建工作流，可实现类似unreal engine的蓝图效果，内部使用多线程高效执行节点函数GraphExecuter 是一款基于 NodeGraphQt 开发的开源软件，采用多线程图执行架构，用户只需编写节点逻辑并通过连线构建图，即可自动调度并运行复杂的工作流。

人生偌只如初见

NebulaGraph学习笔记-SessionPool之getSession

Manus爆火，是硬核还是营销？相信这两天小伙伴们应该被Manus刷屏了，铺天盖地的体验解读文章接踵而来，比如「数字生命卡兹克」凌晨爆肝的热文：「一手体验首款通用Agent产品Manus」。从公众号、朋友圈、抖音、央媒，都能看到Manus的身影，甚至火到闲鱼上一个邀请码都要5万。大家可以到Manus官网（manus.im）了解体验，前提是你得先拿到邀请码【目前一码难求🤷‍♂️】。

2024年度Graph+AI开源探索思考这篇年度总结其实酝酿了许久，却因诸多原因拖至腊月底，此时赶在春节前发出来，也不失为“农历版”年度总结了。所谓年度总结，一般是“温故而知新”，我不太想落入堆叠数字指标的“秀肌肉式”窠臼，而是想分享一下2024年我们（蚂蚁图计算团队）在「Graph+AI」开源技术方向的实践过程和思考，和大家聊一聊这个技术方向带给了我们什么，面向2025年还有哪些有意思的事情可以继续探索。

Awesome-Text2GQL：图查询微调语料的自动生成框架语法制导的语料生成策略Awesome-Text2GQL语料生成框架架构图基于Antlr4的语料生成模块

多智能体/多机器人网络中的图论法（1）大量的学科（尤其生物及材料科学）需要对元素间相互作用在多层级系统中所扮演的角色有更深层次的理解；

GraphRAG+文档结构：打造高性能实体溯源方案作者：陈梓康众所周知，GraphRAG将文档内容抽取为知识图谱三元组后，实际上仅保留了关联性知识信息，因此不可避免地会丢失原文的一些内容细节。在对数据完整度要求严格的业务场景，如金融、医疗、保险等行业，这是不希望看到的结果。为了解决此类业务诉求，我们将文档结构信息引入GraphRAG链路，以解决知识抽取后原文信息损失的问题。同时，我们也从端到端优化了GraphRAG链路，大幅提升了知识图谱的构建和检索性能。