yun

GraphRAG 是一种将知识图谱（Knowledge Graph）与大语言模型（LLM）深度融合的检索增强生成（RAG）方案，支持从非结构化文档中自动抽取实体、关系与属性，构建可推理、可演进的结构化知识图谱，并在问答过程中，结合图谱关系推理与语义检索，为复杂问题提供更精准的多跳推理答案。不同于传统 RAG，GraphRAG 以实体、属性与关系为核心组织知识，不仅让模型“找得到相关内容”，更能理解知识之间的内在关联。

1. 企业微信 PC 端，找到需要接收消息的企业微信群，右键单击管理聊天信息。2. 在企业微信客户端右侧弹出的窗口中，单击消息推送。

业务看板主要统计应用调用、用户、性能等业务数据，提供数据看板和数据明细，如应用相关、知识库相关、插件相关、Skills 相关、性能相关等指标范围，提供用户指标看板、折线图、环形图及各个空间数据情况。产品上提供企业视图、空间视图和应用视图的业务看板。

“Multi-Agent 模式”是智能体开发平台支持创建的应用类别之一。该模式的应用由大模型自主规划执行路径、灵活调用工具，其核心特点在于将对话的主动权更多地交由模型，充分发挥模型的主动性。此模式适用于需要灵活响应、多工具调用以及多 Agent 协同的场景。

智能结构化解析是指通过使用结构化表改写模型，自动判断用户导入的表格文件是否为结构化形式。如当前你上传的表格源文件并非结构化表，也将通过模型自动判断，可能改写成结构化表，以提升表格问答准确率。

变量聚合节点属于变量处理类节点，支持将多个工作流分支中的变量聚合成一个变量并向后续节点传递第一个不为空的变量值。该节点常用在多条件分支的结果聚合场景。当工作流执行到条件判断节点或大模型意图识别节点时，会根据条件或用户意图将流程拆分为多个并行分支。每次运行时，只有一个分支会被执行，其余未激活分支的输出变量将保持为空值。此时，可以通过变量聚合节点整合所有分支的输出，定义统一的输出变量。无论实际执行的是哪条分支路径，下游节。

自定义工具用于将企业自定义 API、函数能力或已发布应用封装为可被智能体调用的工具。开发者可以根据业务需要定义工具名称、描述、输入参数、输出参数和调用方式，让智能体在合适的上下面中自动选择并调用该工具。

选项卡节点属于信息收集类节点，支持通过选项卡形式询问用户并收集信息，适合选项明确且数量少的情况。工作流执行至该处会中断与用户进行交互，直到收集到必需的参数。

当智能体已无法依赖大模型的现有能力完成任务时，例如需要调用外部工具获取实时信息（例如天气查询、搜索引擎）时，或者希望使用外部工具强化单一场景下的具体表现（例如代码生成、数学计算）时，可以以通过以下三种方式为智能体应用启用工具能力。

在传统 RAG（Retrieval-Augmented Generation）方案中，系统通常只执行一次检索 + 一次生成。流程可以被抽象为：用户提问 → 系统检索若干相关文档 → 直接生成答案。这种方式在简单场景下表现良好，但在以下情况中容易失效。