今天是2025年5月24日，星期六，北京，晴。
今天我们来看看有趣的点。
一个是从GraphRAG的两个有趣问题看问题，当对一个技术并不清楚的时候，所以会有些误解，来说两个典型问题。
另一个是从大模型开源生态全景图看主流研发工具，进入总结期了，聚焦一些主要的、代表性的，能够减少精力分散。
抓住根本问题，做根因，专题化，体系化，会有更多深度思考。大家一起加油。
一、从GraphRAG的两个有趣问题看问题
目前很多人对技术本身还是停留在概念层，并不知道技术本身以及在解决什么问题，来说两个典型问题。
问题1：GraphRAG的成熟生产落地领域？
有个朋友问，目前GraphRAG生产落地的应用有一些案例可以参考吗？在哪些领域会比较成熟？
实际上，这种问法，其实是有问题的，GraphRAG是一种技术，适用的是技术特性，不是领域特性。比如，你要做那种多跳场景、摘要场景这种，那就用graphrag。
所以，应该问，什么任务场景适用比较成熟，面向任务，而非领域。
只要领域里面存在这样的任务需求，就可以试试，但不保熟，毕竟，llm时代，全是实验科学了。
问题2：信息抽取用GraphRAG去做？
又如，另一个朋友问：有个对信息抽取要求很强的场景，客户有几十万份内部研报，要从中抽各行业的三元组做知识图谱。
这种场景，适合用graphrag开展吗？用UIE和OneKE做过三元组抽取实验，但客户质疑结果的可靠度，但又没法协调到行业专家来做标注。
而对于GraphRAG，只是看graphrag中也有抽取的步骤，包括也会生成实体和关系的parquet文件。这个抽取的准确率如果也可以评估，再尝试通过改prompt去提升，那就省事了。
但实际上，并不是这个样，还是要看其中的技术逻辑。它里面是很朴素的，很naive的，不保准的，因为这不是他的点。
专门的任务，就是专门的模型去做，oneke\uie\knowlm等，直接拿来用不行，那就去上大参数量，如果不行，就微调，甚至强化。如果再不行，那就再上策略。
三元组抽取不是抽取就完事，它是一个很严肃的事情，涉及到实体抽取、关系抽取、消歧、更新、归一化这些。不是单个模型，一次就能到位的。重点在于，生产环节中的图谱构建是个很严肃的事情。
graphrag里抽取这些的目的是做索引，做锚点，做关联，能连上就行，所以，不要跟做专门抽取的混为一谈。graphrag还是专注在做问答任务，说白了还是rag，不是ie任务，它背后还是用llm做的抽取、索引和关联。
而至于可信度有两种路径，一个是可信度机器给出，给出阈值，给出溯源，给出量化【但比较扯淡】；一个是下放给用户、拉交互流程、给自己个台阶下。
技术方案总是如此的，根据其技术特性和当初的目的，就直接决定了它适合做什么，能解决什么。使用者也需要清楚这个，用的效果，可能并不是被用方不好，可能是让文科生做物理高考题，用错了。
二、大模型开源生态全景图看主流研发工具
来看看几个有趣的总结图，在进入技术总结期的如今，多看看技术总结，是有意义的。
在《超前点映——2025年大模型开源开发生态全景图解读》(https://mp.weixin.qq.com/s/YSRvoWO5VKxBfDPNagKtJQ)中有两张图，很有总结性借鉴意义，这里做下记录，做个引用。
一个是Open Source LLM Development Landscape 2025，从中可以看到从RAG\agent\训练\数据转换等不同分类下的代表工具。
一个是2025年OpenRank排名Top20的项目详情，从中可以看到发布日期等信息，且集中在模型训练框架、高效推理引擎和低代码应用开发框架。
参考文献
1、https://mp.weixin.qq.com/s/YSRvoWO5VKxBfDPNagKtJQ
（文：老刘说NLP）