❤️ 如果你也关注 AI 的发展现状，且对 AI 应用开发非常感兴趣，我会每日跟你分享最新的 AI 资讯和开源应用，也会不定期分享自己的想法和开源实例，欢迎关注我哦！
🥦 微信公众号｜搜一搜：蚝油菜花 🥦
原文链接：https://mp.weixin.qq.com/s/waue-ROkd5koZ_IWuaxYmA
🚀 快速阅读
- 功能：GraphAgent 能够自动构建知识图谱，解释用户查询并执行任务。
- 技术：结合图神经网络和大型语言模型，处理复杂的数据关系。
- 应用：广泛应用于学术网络分析、电子商务推荐和金融风险管理等领域。
正文（附运行示例）
GraphAgent 是什么
GraphAgent 是香港大学和香港科技大学（广州）联合推出的智能图形语言助手，能够处理现实世界中结构化（如图连接）和非结构化（如文本、视觉信息）格式的数据。这些数据包含复杂的关系和相互依赖性，可以通过知识图谱进行展示。
GraphAgent 包括三个关键组件：图生成代理构建知识图谱，任务规划代理解释用户查询并制定任务，任务执行代理执行任务、自动化工具匹配。GraphAgent 整合语言模型与图语言模型，揭示数据间复杂的关系和语义依赖性，在多种图相关任务上展示有效性。
GraphAgent 的主要功能
- 图生成：自动构建知识图谱，反映复杂的语义依赖关系，从文本中提取实体节点和关系。
- 任务规划：解释用户查询，将用户的需求转化为具体的预测或生成任务，规划执行策略。
- 任务执行：执行规划好的任务，包括自动化工具匹配和调用，响应用户查询。
- 自然语言交互：支持用户用自然语言与系统交互，无需专业知识即可分析图数据。
- 预测分析：支持基于图的预测任务，如节点分类和链接预测。
GraphAgent 的技术原理
- 异构图表示：用异构图表示结构化和非结构化数据，捕捉实体间的关系。
- 图神经网络：图神经网络作为图Tokenizer，将图结构信息编码为嵌入表示。
- 大型语言模型：结合预训练的大型语言模型来理解和生成自然语言，与图结构信息结合。
- 代理架构：设计一个多代理系统，每个代理负责处理不同的任务，如生成、规划和执行。
- 图-指令对齐：基于图-指令匹配任务训练大型语言模型，更好地理解和处理图结构数据。
如何运行 GraphAgent
1. 安装
# 克隆仓库
git clone https://github.com/yourusername/GraphAgent.git
cd GraphAgent
# 创建 conda 环境
conda create -n graphagent python=3.11
conda activate graphagent
# 安装 GraphAgent 推理所需的依赖
pip install -r GraphAgent-inference/requirements.txt
2. 获取预训练模型
我们提供了多个预训练模型，您可以从 Hugging Face 下载这些模型，并将其路径替换到 GraphAgent-inference/run.sh 中。
3. 设置规划器和 API 令牌
我们使用基于 API 的 LLM 调用进行任务规划和图生成。默认的规划器是 deepseek，您可以在 GraphAgent-inference/run.sh 中设置 API 密钥。
4. 推理示例
bash GraphAgent-inference/run.sh
>>> 请输入用户指令或文件路径（或输入 'exit' 退出）：
# 使用 GraphAgent-inference/demo/use_cases/teach_me_accelerate.txt 作为示例
>>> 请输入用户指令或文件路径（或输入 'exit' 退出）：GraphAgent-inference/demo/use_cases/teach_me_accelerate.txt
资源
- GitHub 仓库：https://github.com/HKUDS/GraphAgent
- HuggingFace 模型库：https://huggingface.co/GraphAgent
- arXiv 技术论文：https://arxiv.org/pdf/2412.17029
❤️ 如果你也关注 AI 的发展现状，且对 AI 应用开发非常感兴趣，我会每日跟你分享最新的 AI 资讯和开源应用，也会不定期分享自己的想法和开源实例，欢迎关注我哦！
🥦 微信公众号｜搜一搜：蚝油菜花 🥦
