今天是2025年5月25日，星期日，北京，晴
我们继续来谈谈技术问题。
蚂蚁图计算开源负责⼈范志东老师，也是老刘的老朋友了，有个金句，很不错，“23年卷SFT，24年卷RAG，25年卷智能体，LLM+GQL可以做Text2GQL；结合RAG可以做GraphRAG；结合Agent-Plan和Tool-Use可以做Chat2Graph”，在纷纷扰扰的技术潮流中，我们总能立足自身找到适配市场需求(Product-Market Fit)的一些思路。
所以，看看Chat2Graph：Graph+图数据库+Agent做些有趣的事儿，重点看看其中的技术实现思路，尤其是其中单主动-多被动的混合架构、快&慢思考结合的双LLM推理机、CoA式任务分解与图规划器、利⽤图结构组织⼯具和⾏动，结合tugraph和neo4j做存储、操作，这些从Graph的角度去理解，会是个集成式结合思路。
Chat2Graph：Graph+图数据库+Agent的有趣尝试
Graph或者图数据库如果接入Agent，能怎么玩？可以看一个新的有趣工作，Chat2Graph(https://github.com/TuGraph-family/chat2graph)。
基于图数据库构建的多智能体系统，目的是支持与图数据进行自然语言交互，例如执行各种与图相关的任务，包括建模、导数(数据导入)、查询、分析、问答，这是一种趋势，我们可以进一步的想，接入语音之后，还可以语音控制。
我们更关注技术实现细节，如下：
大致步骤是：用户通过Web界面提交自然语言请求->后端服务器将请求转发给AgenticService->LeaderAgent分析请求并创建包含子作业的作业图->ExpertAgents使用双模型推理机执行分配的子任务结果被收集、合并并通过Web界面呈现给用户。
可以看下其实现大致原理，核心特色是**单主动多被动混合(One-Active-Many-Passive hybrid multi-agent architecture)，以及双LLM推理形式做快速和慢速思考(Dual-LLM reasoning machine combining fast & slow thinking)**，所以，既然它是一个智能体，那么看它怎么设计的？
1、单主动多被动混合多智能体架构
实现步骤如下：将复杂工作分解为子任务->创建具有依赖关系的子任务的有向无环图 (DAG)->将子任务分配给适当的专家代理->根据依赖关系管理并行执行流程->处理错误恢复和作业重试->将专家的结果汇总成一致的回应
单主动LeaderAgent：负责理解用户请求、查询系统状态、将复杂任务分解为子任务（subjobs）。
多被动ExpertAgents，包括几个细分专家，具体的：DesignExpert根据文档分析创建图形模式模型；ExtractionExpert从文档中提取结构化数据并将其导入图形数据库；QueryExpert将自然语言查询转换为图形查询并执行；AnalysisExpert执行复杂的图形算法和分析；Q&AExpert利用知识库提供有关图形概念的一般信息。
2、快&慢思考结合的双LLM推理机
这里的两种LLM推理，包括两种不同的推理方法。
一个是双模型推理(使用独立的“思考者”和“行动者”模型，前者进行深入分析、战略思考并确定解决方案，后者根据思考者的分析采取具体行动，包括函数调用轮流进行协作对话)；
一个是单一模型推理(使用在思考和行动阶段之间交替的单一模型)；
3、图结构组织⼯具和⾏动
工具之间的执行，也是可以使用图的方式来做的，将分解的子任务及其依赖关系表示为有向无环图（DAG），这让我想起了GrapTooFusion式的影子。
这种机制的实现，关键在于结构设定，例如，其中子任务定义为：goal(需要完成什么)、context(需要背景信息)、completion_criteria(如何确定成功)、dependencies(必须先完成哪些其他子任务)、assigned_expert(哪位专家应该处理这项任务)、thinking(关于方法和挑战的推理)
4、neo4j/tugraph做数据交互
最后，基于这种技术逻辑，可以实现一些图数据库的操作，⽀持Neo4j和TuGraph图数据库，做问答、分析、抽取这些功能
看一个执行过程：
感兴趣的可以试试看，是个不错的架子，能够带来一些想象空间，对于更深度的解读，也可以看看deepwiki的解读，在https://deepwiki.com/TuGraph-family/chat2graph/2.1-multi-agent-framework。
参考文献
1、https://github.com/TuGraph-family/chat2graph
（文：老刘说NLP）