本文以微软 GraphRAG 为例，讲解索引构建、检索流程到实战应用与可视化展示，并与传统 RAG 对比，全面解析 GraphRAG 的优势。

随着AI应用从单次交互转向复杂智能体系统，传统Prompt Engineering（提示工程）的局限性日益凸显。今天我将系统阐述AI工程范式的演进路径，深入剖析Context Engineering（

问题描述 面试官：后端一次性返回10万条数据给你，你如何处理？ 我：歪嘴一笑，马上给后端发生一百万次请求，干蹦他的服务器，让他给爷哭！ 问题考察点 性能优化意识（能否识别出“10 万条数据”会导致性能

在今天这一期，我们将一起学习一种基于 MCP 提高大模型检索外部知识精度的新思路，实测比 RAG 效果要好很多。

Qwen-Agent的设计思路虽然与LangChain相似，但其发布几个的Agent示例却很有意思。今天本文将深入探讨如何使用Qwen-Agent将上下文记忆扩展到百万量级，让Agent的智能得到更广

什么是 MCP 引用一些官方的介绍吧： 大白话就是一个数据通信的应用协议，约定了应用和大模型之间如何传递数据进行无缝连接。 本文主要讲的是 MCP 的 SSE+HTTP 方式的使用。 先举个荔枝吧：）

最近微软新推出来的技术 graphRAG 相当火爆，我通过学习网上的资料总结出来在本地部署 Ollama+graphRAG 的教程，并且用《凡人修仙传》进行测试。

LightRAG是港大Data Lab提出一种基于知识图谱结构的RAG方案，相比GraphRAG具有更快更经济的特点。

今天我们分享一个开源项目，它为微调或者RAG而生，将任何非结构化数据转换为结构化，它就是：OmniParse