【开源推荐】AgentForce：当 GraphRAG 遇上 Agentic Workflow，打造下一代 AI 智能体平台

 

摘要：传统的 RAG 系统只能“检索”片段，往往缺乏全局观。今天推荐一个基于 Python 3.12+ 和 FastAPI 构建的开源项目 AgentForce。它融合了 GraphRAG（知识图谱增强）的认知能力与 Agentic Workflow（代理工作流）的执行能力，支持动态规划、多模态知识库构建及可视化交互，是学习和构建下一代 AI 应用的绝佳范例。

 

💡 为什么关注 AgentForce？

在构建企业级知识库或 AI 助手时，我们经常遇到两个痛点：

  1. RAG 的“碎片化”问题：向量检索只能找到相关的文本块，无法回答像“总结这份财报的主要风险”这种需要理解全局关系的宏观问题。

  2. Agent 的“执行力”问题：简单的 Chatbot 缺乏规划能力，无法处理“先查库存，再比价，最后生成报告”这种复杂任务。

AgentForce正是为了解决这些问题而生。它不是一个简单的问答机器人，而是一个具备“图谱认知”和“自主规划”能力的智能平台。

项目地址：👉 https://github.com/TW-NLP/AgentForce

✨ 核心特性解读

1. ⚡️ Agentic Workflow (代理工作流)

AgentForce 引入了类似于人类的思考模式。它不仅仅是回答问题，而是在执行任务。

  • 动态规划：Agent 会分析你的问题复杂度，自动判断是直接回答、查阅知识库，还是联网搜索（Tavily）。

  • 长程记忆：内置了会话持久化机制，它记得住你们上周聊了什么，保证了上下文的连贯性。

  • 多线程处理：完备的 Session 管理，支持多用户并发使用。image

 

2. 🕸️ Graph-Powered (图谱增强认知)

这是该项目最大的亮点。它利用 GraphRAG 技术，将碎片化的文档转化为结构化的知识图谱。

  • 实体与关系提取：自动从文档中提取 Entity（实体）并构建 Relationship（关系）。

  • 全局查询 (Global Query)：这是传统 RAG 做不到的。它可以基于社区摘要（Community Summaries）回答宏观问题。

  • 多模态支持：扔给它 PDF、Word、TXT 甚至 CSV，它都能处理。

3. 🎛️ 动态可配置 (Dynamic Control)

开发者最爱的特性——热更新。

  • 模型热切换：可以在 GPT-4o, Claude-3.5 或本地模型之间无缝切换，无需重启服务。

  • 工具链集成：一键开启 Tavily 联网搜索或 Firecrawl 网页爬取。

🛠️ 技术架构概览

AgentForce 采用了现代化的前后端分离架构，代码结构清晰，非常适合二次开发学习。

  • 后端：Python 3.12+, FastAPI, Uvicorn, LangChain (可选), NetworkX

  • RAG 引擎：GraphRAG, 社区发现算法

  • 前端：原生 JS (ES6+), HTML5, CSS3 (轻量级，无复杂构建依赖)

Plaintext

 

AgentForce/
├── config/                  # [控制中心] 提示词、配置与记忆存储
├── src/                     # [核心引擎]
│   ├── api/                 # RESTful API & WebSocket
│   ├── services/            # 核心业务 (LLM, GraphRAG, Search)
│   └── workflow/            # 代理大脑 (Agent Nodes & Edges)
├── static/                  # [交互界面] 轻量级 Web UI
├── run.py                   # 启动入口
└── README.md

🚀 快速上手体验

环境要求：Python 3.12+

第一步：克隆与安装

# 1. 克隆项目
git clone https://github.com/TW-NLP/AgentForce.git
cd AgentForce

# 2. 创建虚拟环境 (强烈推荐)
python -m venv venv
# Windows 激活: venv\Scripts\activate
# Mac/Linux 激活: source venv/bin/activate

# 3. 安装依赖
pip install -r requirements.txt

第二步：启动服务

AgentForce 分为后端 API 和前端 UI。

1. 启动后端引擎

python run.py
# 后端 API 将运行在 http://localhost:8000

2. 启动前端界面

cd static
python -m http.server 8080
# 访问浏览器 http://localhost:8080 即可开始使用

📖 玩法演示

1. 模型配置

系统启动后，点击左侧设置图标。填入你的 OpenAI API Key 或者兼容的 LLM 服务商信息。配置会自动保存到 saved_config.json，下次启动无需重新输入。

image

2. 构建知识库 (ETL)

进入“知识库”页面，拖拽上传你的 PDF 财报或技术文档。 观察控制台，你会看到 AgentForce 正在执行 ETL 流程： 文本分块 -> 实体提取 -> 关系构建 -> 社区检出。 这个过程非常解压，也是 GraphRAG 的核心魅力所在。

image

 

3. 深度对话

回到对话框，尝试提一个复杂问题：

“你好，对比一下本公司上市时间和百度公司上市时间，生成报告。”

你会发现 Agent 不再是机械地列出原文，而是生成了一份综合性的分析报告。

image

🔌 API 扩展

对于想把功能集成到自己系统的开发者，后端提供了标准的 Swagger 文档。 启动后访问 http://localhost:8000/docs 即可查看所有接口，支持 POST /chat 对话、POST /graphrag/query 图谱查询等。

✍️ 总结

AgentForce 是一个展示了 GraphRAG 与 Agentic Workflow 如何落地的优秀案例。无论你是想学习最新的 RAG 技术，还是想搭建一个私有的企业级知识库，这个项目都值得一试。

如果你觉得项目不错，欢迎去 GitHub 点个 Star ⭐️ 支持一下作者！

🔗 项目地址: https://github.com/TW-NLP/AgentForce

 

​

posted @ 2026-01-26 17:30  TW-NLP  阅读(47)  评论(0)    收藏  举报