Graph+图数据库+Agent能做什么？Chat2Graph的尝试思路
今天是2025年5月25日，星期日，北京，晴。文章讨论了技术问题，提到了一个名为Chat2Graph的技术项目，该项目使用图数据库和多智能体系统来实现自然语言与图形数据的交互，强调单主动-多被动混合架构、双LLM推理机及图规划器等关键技术细节。
RAG
RAG＆KG＆LLM＆文档智能四大领域技术前沿：老刘说NLP技术社区持续对外纳新
老刘说NLP技术社区围绕大模型&RAG&文档智能&知识图谱四个主题，提供每日早报、线上分享和专题课程等多种形式的技术内容，旨在提升成员的技术深度感。
抛弃 OCR，抛弃文本提取，抛弃分块！提升RAG性能的新方法！
文章介绍了 Col iVara 项目，它通过视觉模型直接处理文档中的图片、表格和布局等视觉元素，以提升 RAG 应用的性能，并提供简洁易用的 API 和 SDK。
专用于RAG以及AI应用的一款高性能图向量数据库：HelixDB
HelixDB是一款高性能图向量数据库，比Neo4j快1000倍，比TigerGraph快100倍，原生支持图形和矢量数据类型，适合RAG和AI应用如知识图谱、语义搜索等。
数据合成方案:知识图谱增强RAG用于难度可控问题生成思路及实现流程
今天继续探讨知识图谱在数据合成上的应用，介绍了一种利用知识图谱结合RAG进行问题生成的方法，《KAQG: A Knowledge-Graph-Enhanced RAG for Difficulty-Controlled Question Generation》(https://arxiv.org/pdf/2505.07618)。论文通过定义多个维度的难度指标来量化难度，使用PageRank算法筛选知识点，并结合大模型生成具体题目。
大模型生成过程可视化开源工具、Zerosearch误读及开源项目中的RAG文档解析问题
文章介绍了大模型生成过程可视化的几个工具，包括OpenMAV、logitloom和ReasonGraph，并讨论了zerosearch的误读以及开源项目中的RAG文档解析问题。
关于人工智能应用场景中前期数据处理的业务场景和技术分析——包括结构化数据和非结构化数据
文档处理在人工智能领域中至关重要，涉及复杂的业务场景和技术实现。文章讨论了不同类型文档的处理方法及其技术方案，指出非结构化数据是最具挑战性的类型之一，需要采用多模态模型和特定技术来简化处理过程。
干货满满的斯坦福的Agentic AI研讨会要点总结
最近，斯坦福大学举办了一场关于 Agentic AI 的网络研讨会，探讨了 Agentic 语言模型的应用及其在实际中的应用方式，涵盖反思、规划、工具使用及迭代调用等设计模式。