TaiXu-Admin V0.1.2 apresenta um console unificado que integra recursos de LLM, RAG e agentes

Uma iniciativa de código aberto dedicada à estruturação de recursos de grandes modelos de linguagem (LLM) alcançou mais um avanço gradual. A versão 0.1.2 do TaiXu-Admin foi lançada. Esse sistema de gerenciamento de aplicativos, centrado em LLM, RAG e Agente, busca unificar diálogo, aprimoramento de recuperação de informações e colaboração com agentes inteligentes em um único back-end.

O registro de atualizações desta versão é abrangente. Ele vincula a documentação à análise do LLM Wiki e introduz a pesquisa no LLM Wiki; implementa um mecanismo de substituição por compilação dinâmica (HCP) para arquivos de código modificados, permitindo que os ajustes entrem em vigor sem a necessidade de reinicialização; a base de conhecimento e a biblioteca de grafos de conhecimento agora oferecem suporte à reconfiguração personalizada. O gerenciamento da memória histórica foi atualizado, e o tratamento de exceções para o RAG e o Agent durante a execução está completo — para uma plataforma que visa manter vários agentes inteligentes online por longos períodos, essas melhorias consolidaram ainda mais a base.

Analisando o próprio sistema, o TaiXu-Admin é um sistema inteligente integrado à tecnologia de IA: o backend é escrito em Python, e o frontend utiliza React para páginas interativas. Seus recursos incluem conversação LLM, RAG e Agent. Ele utiliza o LangChain e o LangGraph como componentes centrais de aplicações com modelos de grande porte. O primeiro constrói pipelines de modelos modulares, enquanto o segundo executa uma colaboração complexa entre múltiplos agentes orientada por estado, suportando assim o modo RAG, o modo Agente, a engenharia de prompts, chamadas de ferramentas e gerenciamento de memória, integrando interação conversacional, geração aprimorada por recuperação de conhecimento e colaboração entre agentes.

O que realmente demonstra sua capacidade é o fato de listar quase todas as práticas convencionais do mercado como um menu. Na seção RAG, estão disponíveis RAG nativo, consultas múltiplas, fusão de recuperação, decomposição em subperguntas, incorporação de documentos hipotéticos (HYDE), roteamento lógico e semântico, reescrita de consultas, representações múltiplas e indexação hierárquica (RAPTOR). Agentes com correção de erros, autoverificação e autoadaptação são responsáveis por fornecer uma rede de segurança durante o processo de recuperação. Modos especiais também incluem grafos de conhecimento GraphRAG, palavras-chave BM25, RAG híbrido, agrupamento K-means e RAG de relevância marginal máxima. O modo Agente é ainda mais dinâmico: as ações de raciocínio do ReAct, o raciocínio sem observação do ReWOO, a execução de planejamento, a compilação de LLM, a reflexão, a autodescoberta, a busca inteligente em árvore, além da orquestração multiagente supervisionada, colaborativa e hierárquica — cobrindo praticamente todos os elementos-chave da pesquisa atual sobre Agentes.

Em termos de arquitetura, ele segue uma abordagem de front-end e back-end separados com modularidade. O back-end é construído usando Python e o leve Flask para oferecer suporte à API RESTful. O front-end usa o React para construir uma interface responsiva, aproveitando o Umi de código aberto do Ant Group para a engenharia do projeto e utilizando o Ant Design como biblioteca de componentes. O banco de dados subjacente também é dividido em funções: o Qdrant, nativo da nuvem e de alto desempenho, armazena embeddings de texto e lida com pesquisas de similaridade semântica; o Neo4j modela relações complexas entre entidades e permite o raciocínio em grafos; e o PostgreSQL armazena de forma confiável dados comerciais estruturados, como usuários, logs e configurações.

Começar não é muito complicado. As dependências do front-end são gerenciadas via npm ou yarn, e as do back-end via pip ou poetry; em seguida, instale os três componentes essenciais: Qdrant, Neo4j e PostgreSQL. Se você quiser apenas testar localmente, basta executar as etapas de configuração mais simples — assim, nem mesmo o Qdrant e o Neo4j são necessários para demonstrar os módulos principais. Após iniciar, acesse localhost:8000, onde o nome de usuário e a senha padrão são ambos “admin” — um sistema que integra LLM, RAG e Agent em uma única plataforma está agora à disposição dos desenvolvedores.