UModel
Alibaba 開源 UModel 語意層：企業 AI 知識圖譜與代理人平台
Alibaba推出的開源語意層UModel旨在將企業散落的資料結構與度量統一成圖形化模型，支援SPL、REST與MCP查詢介面，讓AI代理人可直接存取企業知識。此專案已獲136顆星，提供本地服務、CLI及Web UI，預期降低資料治理成本並避免供應商鎖定。
知識圖譜
深度分析
零樣本 LLM 本體對應於 USD 場景：自動化建構知識圖譜的實驗與分析
隨著機器人需要語意化環境，本研究探討使用大型語言模型自動將USD場景中的物件對應至本體類別，透過零樣本、免訓練的提示方式取得高達96%的精確匹配，顯示語意線索在本體對應上的關鍵作用。在125件廚房物件的測試中，模型在具描述性名稱下達到90%至96%相符率，較傳統字典與向量檢索均有明顯優勢。
深度分析
Traxia：AI 代理原生的可驗證科學出版框架與多層次同行審查機制
隨著AI代理人參與科研，傳統出版流程缺乏可驗證性與透明度。Traxia提出以代理身分註冊、可驗證發表層、四階段同行審查與即時矛盾偵測的完整框架，使每篇論文攜帶推理追蹤與信任分數。此架構有望減少可重現性危機，提升全球尤其南部研究的參與度，同時為AI生態系統提供可信基礎。
深度分析
CTIArena：資安威脅情報多源異質 LLM 基準測試平台與安全專屬檢索增強方法
隨著大型語言模型（LLM）在自然語言理解與推理上的突破，將其應用於資安威脅情報（CTI）成為新興趨勢。CTIArena 針對異質、多來源的 CTI 場景，設計了結構化、非結構化與混合三大類、共九項任務的基準測試，涵蓋漏洞、弱點、攻擊模式、惡意程式與威脅行為等核心領域。
深度分析
TechGraphRAG：利用 GPT‑4o‑mini、FAISS 與 Neo4j 提升工程文獻推理的 RAG 系統
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
OpenPangu、知識圖譜與 BKT：PersonalExam 的自適應題目生成架構
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
DiagramRAG：以檢索增強補全學術草圖的輕量框架
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
面向 EFO_k 的 NS3：結合神經評分與預算化符號搜尋的可擴展聯合排序
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：以大型語言模型、多代理人協作與知識圖譜驅動的演化式科學探索
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
為 AI 代理人優化 Commercial Graph：D&B 的雲端化、MCP 存取層與實體驗證策略
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
在消費級硬體上實作 GraphRAG：EHR 檢索、知識圖譜構建與 LLM 性能比較
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
MetaKGEnrich：為大型語言模型打造元認知式自我知識修復
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。