graph

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。

RAG七十二式：2024年度RAG清单回顾2024，大模型日新月异，智能体百家争鸣。作为AI应用的重要组成部分，RAG也是“群雄逐鹿，诸侯并起”。年初ModularRAG持续升温、GraphRAG大放异彩，年中开源工具如火如荼、知识图谱再创新机，年末图表理解、多模态RAG又启新征程，简直“你方唱罢我登场”，奇技叠出，不胜枚举！

解读Graph+AI白皮书：LLM浪潮下，Graph尚有何为？历时半年，由蚂蚁集团和之江实验室牵头，联合北京邮电大学、浙江大学、西湖大学、东北大学、杭州悦数科技、浙江创邻科技、北京大学、北京交通大学、复旦大学、北京海致星图科技、腾讯、信雅达科技、北京枫清科技等单位编写的《Graph+AI：大模型浪潮下的图计算》白皮书，在11月2日全国智能计算标准化工作组年会上正式发布。作为白皮书编写小组代表，蚂蚁集团图计算负责人洪春涛，分享了图计算技术和人工智能技术的协同发展，最终将引领行业进入一个全新的图智能时代。

Oracle ADB 导入 BANK_GRAPH 的学习数据访问 https://github.com/oracle-quickstart/oci-arch-graph/tree/main/terraform/scripts，下载，

【数据结构】---图本篇作为图的基础概念篇，了解图的离散数学定义，图的分类，图模型解决的问题（图的应用），图的相关算法（仅仅介绍，具体不在此篇展开）。

真-忒修斯之船

搭配Knowledge Graph的RAG架构检索增强生成（Retrieval-Augmented Generation，简称 RAG）通过结合大型语言模型（LLM）和信息检索系统来提高生成文本的准确性和相关性。这种方法允许模型在生成回答之前，先从权威知识库中检索相关信息，从而确保输出内容的时效性和专业性，无需对模型本身进行重新训练。