TaiXu-Admin V0.1.2 stellt eine einheitliche Konsole vor, die LLM-, RAG- und Agent-Funktionen integriert

Eine Open-Source-Initiative, die sich der Strukturierung der Funktionen großer Sprachmodelle widmet, hat einen weiteren schrittweisen Fortschritt erzielt. TaiXu-Admin Version 0.1.2 wurde veröffentlicht. Dieses Anwendungsmanagementsystem, dessen Kern aus LLM, RAG und Agent besteht, zielt darauf ab, Dialog, verbesserte Informationsgewinnung und die Zusammenarbeit intelligenter Agenten in einem einzigen Backend zu vereinen.

Das Änderungsprotokoll für diese Version ist umfangreich. Es verknüpft die Dokumentation mit der LLM-Wiki-Analyse und führt die LLM-Wiki-Suche ein; es implementiert einen Hot-Compilation-Replacement-Mechanismus (HCP) für geänderte Code-Dateien, wodurch Anpassungen ohne Neustart wirksam werden; die Wissensdatenbank und die Wissensgraph-Bibliothek unterstützen nun eine benutzerdefinierte Neukonfiguration. Die Verwaltung des historischen Speichers wurde aktualisiert, und die Ausnahmebehandlung für RAG und Agent während der Laufzeit ist nun vollständig – für eine Plattform, die darauf abzielt, mehrere intelligente Agenten über längere Zeiträume online zu halten, haben diese Verbesserungen die Grundlage weiter gefestigt.

Betrachtet man das System selbst, so ist TaiXu-Admin ein intelligentes System mit integrierter KI-Technologie: Das Backend ist in Python geschrieben, und das Frontend nutzt React für interaktive Seiten. Zu seinen Funktionen gehören LLM-Konversation, RAG und Agent. Es nutzt LangChain und LangGraph als Kernkomponenten für Anwendungen mit großen Modellen. Ersteres erstellt modulare Modell-Pipelines, während Letzteres komplexe, zustandsgesteuerte Multi-Agenten-Zusammenarbeit ausführt und dadurch den RAG-Modus, den Agentenmodus, Prompt-Engineering, Tool-Aufrufe und Speicherverwaltung unterstützt, wobei es Konversationsinteraktion, durch Wissensabruf erweiterte Generierung und Agenten-Zusammenarbeit miteinander integriert.

Was seine Leistungsfähigkeit wirklich unter Beweis stellt, ist, dass es nahezu alle gängigen Praktiken auf dem Markt als Menü auflistet. Im RAG-Bereich stehen natives RAG, Multi-Query, Retrieval-Fusion, die Zerlegung in Teilfragen, hypothetische Dokumenteneinbettung (HYDE), logisches und semantisches Routing, die Umschreibung von Abfragen, multiple Repräsentationen sowie hierarchische Indizierung (RAPTOR) zur Verfügung. Fehlerkorrigierende, selbstüberprüfende und selbstanpassende Agenten sorgen während des Abrufprozesses für ein Sicherheitsnetz. Zu den speziellen Modi gehören außerdem GraphRAG-Wissensgraphen, BM25-Schlüsselwörter, hybrides RAG, K-Means-Clustering und RAG mit maximaler marginaler Relevanz. Der Agentenmodus ist sogar noch dynamischer: ReActs Schlussfolgerungsaktionen, ReWOOs beobachtungsfreies Schlussfolgern, Planungsausführung, LLM-Kompilierung, Reflexion, Selbstentdeckung, intelligente Baumsuche sowie überwachte, kollaborative und hierarchische Multi-Agenten-Orchestrierung – damit werden nahezu alle Schlüsselelemente der aktuellen Agentenforschung abgedeckt.

Architektonisch folgt es einem modularen Ansatz mit getrenntem Frontend und Backend. Das Backend wurde mit Python und dem leichtgewichtigen Flask zur Unterstützung einer RESTful-API entwickelt. Das Frontend nutzt React zum Aufbau einer responsiven Benutzeroberfläche, wobei das Open-Source-Framework Umi von Ant Group für das Projekt-Engineering eingesetzt und Ant Design als Komponentenbibliothek verwendet wird. Auch die zugrunde liegende Datenbank ist nach Rollen aufgeteilt: Das hochleistungsfähige, cloud-native Qdrant speichert Text-Embeddings und übernimmt die semantische Ähnlichkeitssuche, Neo4j modelliert komplexe Beziehungen zwischen Entitäten und ermöglicht Graph-Inferenz, und PostgreSQL speichert zuverlässig strukturierte Geschäftsdaten wie Benutzer, Protokolle und Konfigurationen.

Der Einstieg ist nicht allzu aufwendig. Die Frontend-Abhängigkeiten werden über npm oder yarn verwaltet, die Backend-Abhängigkeiten über pip oder poetry; anschließend installieren Sie die drei wesentlichen Komponenten: Qdrant, Neo4j und PostgreSQL. Wenn Sie das Projekt nur lokal ausprobieren möchten, reichen bereits die einfachsten Konfigurationsschritte aus – Sie benötigen nicht einmal Qdrant und Neo4j, um die Kernmodule zu demonstrieren. Nach dem Start rufen Sie localhost:8000 auf, wo der Standard-Benutzername und das Standard-Passwort jeweils „admin“ lauten – damit steht Entwicklern nun ein System zur Verfügung, das LLM, RAG und Agent in einer einzigen Lösung vereint.