DEEP-JLU/Awesome-Graph-Engineering

解决的问题

随着LLM智能体从单一模型任务转向复杂、协调的系统，组织其行为变得愈发困难。本项目通过收集关于 图工程 (graph engineering) 的资源来解决这一问题——即利用显式的动态图结构来规划任务、协调多个智能体、跟踪运行时状态并支持系统演进。它为研究人员和开发者提供了一个单一的起点，以理解并应用图方法于智能体开发的各个层面。

工作原理

该仓库是一个经过精选且与综述论文对齐的列表。它将资源分为三个智能级别，与配套论文相呼应：

• 模型智能 (Model Intelligence) — 关于训练、提示词和上下文工程的资源（如思维链、RAG和提示词优化）。
• 个体智能 (Individual Intelligence) — 使单个智能体具备能力的资源：工具集成、记忆管理、技能组合、运行时编排和交互循环。
• 系统智能 (System Intelligence) — 利用显式图协调多个智能体的资源，包括任务组织、智能体协调、状态管理、系统演进和本体工程。

在每个级别内，README列出了研究论文、基准测试、数据集、环境、开源库和实际应用。整个集合旨在不断成长：欢迎提交Pull Request和Issue以补充缺失或新的工作。

适用人群

本资源适用于从事基于LLM的智能体、多智能体系统、基于图的推理或智能体基础设施研究的研究人员、工程师和学生。如果您正在设计智能体工作流、构建协调层，或探索图如何构建智能体状态和演进，此列表为您提供了该领域广泛且有组织的地图。

亮点

• 分类体系涵盖从模型级（预训练、后训练、提示词）到系统级（协调、状态、演进）。
• 包含学术论文以及实用的开源库和基准测试。
• 持续更新；明确欢迎社区贡献。
• 直接关联至arXiv综述论文，便于深入阅读。