深度分析
本研究針對智慧輪胎與車輛動態等領域的兩千餘篇技術文獻，開發了TechGraphRAG——一套結合代理式檢索、知識圖譜與外部學術資料庫的13步驟RAG框架。系統可自動分類查詢意圖、評分證據充足度、在內部與外部資源間迭代搜尋，並以圖譜關聯提升答案可信度。實驗顯示，此架構在文獻導航與技術推理上顯著提升了證據完整性與回應品質。此外，框架透過Neo4j圖譜的共引與作者關聯，提供跨論文結構化檢索，提升答案可追溯性。
OpenPangu
來自 GitHub 的開源專案 PersonalExam 結合大型語言模型與知識圖譜技術，目標在於實現更精準的個人化題目生成與學習推薦。專案以 OpenPangu 為基礎模型，採用知識圖譜做檢索增強（RAG），並以貝氏知識追蹤（BKT）評估學習者掌握度。
速報
學術論文常以圖示說明複雜方法。提出DiagramRAG透過檢索增強把草圖與相容參考結合以補全圖示。技術用知識圖譜與嵌入對齊草圖與圖示。實驗在DiagramBank與FigureBench分別達到F1分數0.848與0.802，並改善生成品質與推論延遲。
深度分析
知識圖譜經常不完整，對多個自由變數的存在性一階查詢（EFO_k）要求對元組進行聯合排序，卻因笛卡兒候選空間指數成長而難以擴展。
大型語言模型
EvoSci 提出一套以多角色代理人為核心的科學探索框架，將生物演化概念與知識圖譜整合，讓研究構想能在多輪循環中被生成、評估與精煉。系統定義導師、研究員群組與審稿人等角色，透過協作推理、共享記憶與動態任務分配，支援長期、跨領域的議題演化。
Commercial Graph
Dun & Bradstreet耗時逾180年累積商業資料，旗下Commercial Graph涵蓋6.42億家公司紀錄，原本為信用分析師與銷售等人類使用者設計，面對需亞秒查詢與動態關聯推理的人工智慧代理人出現瓶頸。
GraphRAG
本研究檢視GraphRAG在醫療電子病歷EHR結構化檢索的可行性與侷限。團隊在單張消費級GPU上以本地部署的開源LLM（Llama3.1、Mistral、Qwen2.5、Phi-4-mini）復現Microsoft GraphRAG管線，評估索引、知識圖建構、查詢延遲與幻覺行為。結果顯示模型在結構輸出穩定度與答案品質上差異顯著，本地檢索在延遲與事實依據上普遍優於全域摘要。
速報
研究指出現代人工智慧普遍缺乏元認知。研究提出MetaKGEnrich，一套自動化流程：由種子查詢建構知識圖譜、以七種圖譜指標偵測稀疏區域、生成針對性問題並網路檢索佐證回填，最後擷取並評估回覆品質。實驗在三個公開資料集上顯示多數問題的答案品質獲得提升。
llamaindex
這篇報導介紹一個將文件處理、知識圖譜與向量檢索結合的開源平台，採用LlamaIndex與LangChain為管線基礎，支援多種屬性圖與RDF資料庫、多款向量與搜尋引擎，並能自動增量同步資料。此平台旨在提供混合檢索與AI對話功能，對企業導入RAG與知識管理有直接應用價值。
mnemon
為解決LLM代理人跨會話記憶缺失，mnemon以圖譜為核心建持久記憶層，支援意圖感知回溯、重要性衰減與自動去重。採單一執行檔無需額外API金鑰，可與ClaudeCode、OpenClaw等CLI代理整合，透過四重圖譜保存跨會話知識，提升對話上下文延續性與決策一致性，降低部署複雜度並強化本地資料控制。
速報
當前AI輔助創新常採單一方法導致推理碎片化。IdeaForge提出以知識圖譜為核心的多代理框架整合多種創新法。專家代理將矛盾、發明原則與使用者需求結構化寫入持久化資料庫。系統以圖關聯發現跨方法支持之匯聚主張，標示高信心創新候選。下游專利起草代理則由匯聚子圖生成結構化草案。實驗顯示相比單一方法，圖導向合成提升多樣性與可追溯性。
深度分析
電影劇本是長篇、多角色且跨場景的敘事載體，對大型語言模型（LLM）維持一致世界模型與長文推理能力構成挑戰。STAGE（Screenplay Text, Agents, Graphs & Evaluation）提出一套統一的多任務基準，將每部劇本視為共享敘事世界，涵蓋電影級知識圖譜構建、場景事件摘要、長文問答與劇內角色扮演四大任務。