最新

我制作了这个小型的Linux命令工具，它可以帮助管理一些简单的快速记忆，比如密码、命令或想法，这些东西你可能只需要在某个地方记录下来。 这个工具的工作原理是允许你创建文件，这些文件就像类别一样，每个文件都有自己的一组记忆，每个记忆都有自己的关键词，这些关键词在你需要时可以用来搜索该记忆。 这个项目的产生有两个原因，首先是我个人需要一个工具来记住一些我偶尔使用的Linux命令。我知道我可以去寻找一些类似的工具，但我想把这个项目作为学习Shell脚本的机会，并且不使用任何第三方库，因此它应该能够在大多数Linux发行版上原生运行。 我欢迎大家的贡献，尤其是包含注释的贡献。

在这篇文章中，我们记录了一些实验结果，比较了普通的图形RAG（仅进行一次text2cypher转换）与路由代理图形RAG方法。后者可以在text2cypher的同时调用向量搜索工具。路由代理使用大型语言模型（LLM）来决定调用哪个向量搜索工具，这取决于问题中识别出的术语，并且效果相当不错。 结果显示，像`gpt-4.1`和可靠的工作马`gemini-2.0-flash`等最新前沿LLM能够可靠且可重复地产生高质量的Cypher，只需进行一些提示工程，以确保在text2cypher提示中图形模式格式良好。在一组包含10个测试查询（这些查询中等复杂，需要从知识图谱中检索路径）中，`gpt-4.1`和`gemini-2.0-flash`在添加路由代理以增强普通图形RAG的工作流程后，均通过了所有测试，生成了正确的答案。 提示工程使用BAML（这是一种编程语言，使得在所有实验中简单地提示LLM并从中获取结构化输出变得容易）。实际上，知识图谱本身就是使用BAML提示构建的，这些提示从上游的非结构化数据中提取实体和关系。 这个工作流程的一个合理下一步是构建更复杂的代理循环，能够运行多步骤的Cypher查询，其结果可以整合以回答更困难的问题（类似于人类的处理方式）。测试和评估的一般原则在这里也适用。进一步探索这些方法似乎很有前景！