今天是2025年7月6日，星期日，北京，晴
现在直接界面式进行操作的开源工具越来越多，所以，我们来看看6个无代码LLM、Agent、RAG开源项目，可以作为应用选型。
另一个看看推理大模型用于时序预测，看看数据怎么组织的，以及奖励函数如何设计的，会有一些启发。
一、6个无代码LLM、Agent、RAG开源工具
来看看6款无代码的LLM、Agent和RAG构建工具，做个介绍和地址整理。
1、RAGFlow
RAGFlow是一款用于深度文档理解的RAG引擎，能够在复杂的文档上构建企业级的RAG工作流，并提供可靠的引用，支持多模态数据理解、网络搜索、深度研究等。
地址：https://github.com/infiniflow/ragflow
2、xpander
xpander是一个框架无关的智能代理后端，管理内存、工具、多用户状态、事件、防护栏等，可以主要通过用户界面构建、测试和部署智能代理，兼容LlamaIndex、CrewAI等。
地址：https://github.com/xpander-ai/xpander.ai
3、TransformerLab
TransformerLab是一款用于实验LLM的应用程序，可以进行训练、微调或聊天，一键下载LLM（如DeepSeek、Gemma等），拖放式UI用于RAG，内置日志记录等功能。
地址：https://github.com/transformerlab/transformerlab-app
4、LlamaFactory
LLaMA-Factory，无需编写代码即可训练和微调开源LLM和VLM，支持100多种模型、多模态微调、PPO、DPO、实验跟踪等。
地址：https://github.com/hiyouga/LLaMA-Factory
5、Langflow
Langflow是一款用于构建AI代理的拖放式可视化工具，允许构建和部署AI驱动的代理和工作流。
地址：https://github.com/langflow-ai/langflow
6、AutoAgent
AutoAgent，可以通过自然语言构建和部署智能代理，支持函数调用和ReAct交互模式。
地址：https://github.com/HKUDS/AutoAgent
二、推理大模型用于时间序列预测
看时序推理大模型的一个工作，时间序列预测（TSF）方法多依赖快速思考范式，通过提取历史模式直接映射未来值，缺乏显式的中间推理过程。
因此，可以看一个工作，《Time Series Forecasting as Reasoning:A Slow-Thinking Approach with Reinforced LLMs》，https://arxiv.org/pdf/2506.10630，代码在https://github.com/lqzxt/Time-R1。
这个工作提出Time-R1，采用两阶段强化微调（RFT）策略：
第一阶段通过监督微调（SFT）预热，利用合成思维链（CoT）轨迹训练LLM学习时间序列分析和输出格式，数据格式如下：
第二阶段通过强化学习（RL）优化，结合细粒度多目标奖励函数（涵盖格式、长度、准确性、结构相似性等维度）和GRIP（基于组的相对重要性策略优化），提升LLM的泛化能力和推理路径探索效率，这里其奖励策略的设定比较重要，如下：
最后，看下预测的效果，实验表明，Time-R1在9个跨领域数据集上显著优于传统模型和LLM基线。
参考文献
1、https://github.com/lqzxt/Time-R1
（文：老刘说NLP）