标签： AGI

在数字化时代，我们每天都在创造海量文本数据。如何从这些数据中提取有价值的信息并进行有效总结，成为了一个重要课题。微软研究院最新推出的GraphRAG技术，为我们提供了一个创新的解决方案。今天，我们就来聊聊这项技术是如何工作的，以及它将如何改变我们的信息处理方式。

什么是GraphRAG？

GraphRAG（Graph Retrieval-Augmented Generation）是一种结合了知识图谱和检索增强生成（RAG）的技术。它能够帮助大型语言模型（LLM）更好地理解并总结大规模文本数据集中的信息。

GraphRAG的工作原理

GraphRAG的工作流程分为以下几个步骤：

1. 文本分割：将大量文本分割成小块，以便语言模型处理。
2. 元素提取：使用语言模型从文本中提取实体、关系和主张等元素。
3. 构建知识图谱：将提取的元素构建成知识图谱，形成实体和关系的网络。
4. 社区检测：利用算法将知识图谱中的实体分组成具有强关联性的社区。
5. 社区摘要：为每个社区生成摘要，这些摘要能够全面覆盖输入文档的内容。
6. 查询响应：当用户提出问题时，系统会使用社区摘要生成部分回答，然后汇总这些回答生成最终的全局答案。

GraphRAG的优势

• 全面性：GraphRAG能够提供更全面的答案，因为它考虑了整个文本数据集的内容。
• 多样性：通过社区检测和摘要，GraphRAG能够从不同角度和层面提供信息。
• 效率：与传统的RAG技术相比，GraphRAG在处理大规模文本时更为高效。

实际应用案例

为了评估GraphRAG技术，研究者们使用了两个真实世界的数据集：技术播客的转录文本和新闻文章。他们让语言模型基于这些数据集的简短描述生成了一系列问题，并使用GraphRAG来回答这些问题。结果表明，GraphRAG在生成全面和多样化答案方面，明显优于传统的RAG方法。

未来展望

GraphRAG技术为处理大规模文本数据提供了新的可能性。随着技术的不断发展，我们期待GraphRAG能够在更多领域展现其强大的能力，例如自动生成报告、数据分析和知识发现等。

结语

GraphRAG的推出，不仅是技术上的一次飞跃，也为信息检索和摘要领域带来了新的思路。随着技术的不断完善，我们相信GraphRAG将在未来发挥更大的作用。

想要了解更多关于GraphRAG的信息，或者开始使用这项技术，请访问微软研究院的论文。让我们一起探索智能摘要技术的未来。

---

希望这篇博客文章能够帮助您更好地了解GraphRAG技术，并激发您探索和应用这项技术的兴趣。如果您有任何问题或需要更多信息，请随时与我联系。

引言

近年来，大型语言模型（LLM）在自然语言处理领域取得了显著的进展。然而，如何将 LLM 的强大能力应用到实际的业务场景中，仍然是一个充满挑战的任务。GeneralAgent 框架应运而生，它旨在将 LLM 与 Python 无缝集成，为构建智能代理提供一个灵活、高效的平台。

GeneralAgent 框架概述

GeneralAgent 是一个 Python 原生的代理框架，其核心目标是简化 LLM 在实际应用中的开发流程。与其他代理框架相比，GeneralAgent 具有以下优势：

• 工具调用: GeneralAgent 不依赖于 LLM 的 function call 功能，而是通过 Python 代码解释器来调用工具，从而实现更灵活、可控的工具调用方式。
• 序列化: GeneralAgent 支持序列化代理的状态，包括记忆和 Python 执行状态，方便开发者随时保存和恢复代理的状态。
• 自我调用: GeneralAgent 支持代理的自我调用和堆栈记忆，能够最小化 LLM 的调用次数，从而高效地处理复杂任务。
• 部署服务: GeneralAgent 可以与 AgentServer 配合使用，快速为大规模用户提供代理服务。

GeneralAgent 功能介绍

函数调用

GeneralAgent 允许开发者将 Python 函数注册到代理中，并通过自然语言指令来调用这些函数。例如，我们可以定义一个获取天气信息的函数：

def get_weather(city: str) -> str:
    """
    get weather information
    @city: str, city name
    @return: str, weather information
    """
    return f"{city} weather: sunny"

然后将该函数注册到代理中：

agent = Agent('你是一个天气小助手', functions=[get_weather])

当用户询问 “成都天气怎么样？” 时，代理会自动调用 get_weather 函数，并将 “成都” 作为参数传递给该函数，最终返回 “成都天气: 晴朗”。

知识库

GeneralAgent 支持将外部知识库集成到代理中，从而增强代理的知识范围。开发者可以将知识库文件路径传递给代理，代理会自动加载并索引知识库内容。

knowledge_files = ['../docs/paper/General_Agent__Self_Call_And_Stack_Memory.pdf']
agent = Agent('你是AI助手，用中文回复。', workspace='9_knowledge_files', knowledge_files=knowledge_files)

当用户提出问题时，代理会先在知识库中搜索相关信息，并将搜索结果作为 LLM 的输入，从而生成更准确、全面的答案。

序列化

GeneralAgent 支持序列化代理的状态，包括 LLM 的对话历史和 Python 解释器的状态。开发者可以使用 agent.save() 方法将代理的状态保存到磁盘，并使用 agent.load() 方法从磁盘加载代理的状态。

# agent序列化位置，运行过程中会自动保存LLM的messages和python解析器的状态
workspace='./5_serialize'

role = 'You are a helpful agent.'
agent = Agent(workspace=workspace)
agent.user_input('My name is Shadow.')

agent = None
agent = Agent(role, workspace=workspace)
agent.user_input('What is my name?')

工作流

GeneralAgent 支持定义复杂的工作流，并通过多个步骤来完成任务。开发者可以使用 agent.run() 方法执行单个步骤，并使用 Python 代码控制工作流的执行逻辑。

# 工作流: 写小说
from GeneralAgent import Agent
from GeneralAgent import skills

# 步骤0: 定义Agent
agent = Agent('你是一个小说家')

# 步骤1: 从用户处获取小说的名称和主题
# topic = skills.input('请输入小说的名称和主题: ')
topic = '小白兔吃糖不刷牙的故事'

# 步骤2: 小说的概要
summary = agent.run(f'小说的名称和主题是: {topic}，扩展和完善一下小说概要。要求具备文艺性、教育性、娱乐性。')

# 步骤3: 小说的章节名称和概要列表
chapters = agent.run('输出小说的章节名称和每个章节的概要，返回列表 [(chapter_title, chapter_summary), ....]', return_type=list)

多代理协作

GeneralAgent 支持多个代理协作完成任务。开发者可以创建多个代理实例，并为每个代理分配不同的角色和任务。代理之间可以通过消息传递进行通信和协作。

# 多Agent配合完成任务
from GeneralAgent import Agent
story_writer = Agent('你是一个故事创作家，根据大纲要求或者故事梗概，返回一个更加详细的故事内容。')
humor_enhancer = Agent('你是一个润色作家，将一个故事进行诙谐润色，增加幽默元素。直接输出润色后的故事')

多模态输入

GeneralAgent 支持多模态输入，例如文本、图片、音频等。开发者可以将多模态数据封装成数组，并传递给 agent.user_input() 方法或 agent.run() 方法。

# 支持多模态: 图片输入
from GeneralAgent import Agent

agent = Agent('You are a helpful assistant.')
agent.user_input(['what is in the image?', {'image': '../docs/images/self_call.png'}])

总结

GeneralAgent 框架为构建智能代理提供了一个强大、灵活的平台，其丰富的功能和易用的 API 可以帮助开发者快速构建各种类型的智能代理应用。随着 LLM 技术的不断发展，GeneralAgent 框架将会在更多领域发挥重要作用。