把 ONNX、PyTorch、Keras、CoreML 等格式的神经网络模型直接拖进浏览器就能看结构图，排查模型转换和层连接问题很方便。
在提示词里敲入 "mass ulw" 关键词，就能让 AI 编码助手自动编排多智能体工作流，把复杂开发任务拆解成可执行的图结构。
轻量级检索增强生成引擎，用图结构组织知识并支持增量更新，让 RAG 检索更快更省资源。
轻量级 Python 框架，用于编排多智能体工作流，帮助开发者快速搭建基于 LLM 的协作式 Agent 系统。
用 Python 以代码优先的方式构建、评测和部署复杂 AI Agent 的开源工具包，让开发者对 Agent 行为有更强的灵活性和控制力。
微软推出的多智能体开发框架，支持 Python 和 .NET，用于构建、编排和部署 AI 智能体及多智能体工作流。
用 Python 调用 FFmpeg 的绑定库，支持复杂滤镜图，让你在脚本里拼装音视频处理流程而不用手写命令行。
面向 AI 智能体的图原生上下文基础设施，用上下文图谱管理记忆与决策依据，让 AI 系统的行为可追溯、可问责。
把对话、文档和代码沉淀成聊天记忆、技能、LLM-Wiki、代码图谱四类可复用记忆资产，让多个 AI Agent 跨框架共享和治理长期记忆。
在个人设备上本地跑 RAG 的向量索引库，用图结构剪枝把索引体积压掉 97%，兼顾检索速度和准确率，数据不出本机。
给 LLM 和 AI Agent 用的自进化记忆操作系统，提供超持久记忆、混合检索和跨任务技能复用，还能省下约 35% 的 token。
100 行代码的极简 LLM 框架，用图编排 Agent 工作流，让 Agent 自己搭建 Agent，适合想快速上手又不想被重型框架绑住的场景。
为 AI 原生软件开发生命周期构建上下文图谱，把代码库和开发流程知识组织成可检索的图结构，让 AI 代理更准确地理解项目上下文。
仿生认知记忆引擎，用图结构为 LLM 智能体提供长期记忆与情节记忆，是 Graph RAG 的新范式。
基于多树（multitree）结构的个人任务管理器，用图的方式组织待办事项，让同一任务能同时归属多个目标或项目，适合管理复杂交叉的任务关系。
OpenCog 的超图数据库与图重写系统，用超图结构存储知识并支持模式匹配和逻辑推理，适合构建知识图谱和认知计算应用。
用分形图结构组织 AI Agent 的思维链，把笔记、网页链接和代码连成可导航的知识图谱，适合做多智能体推理与头脑风暴。
面向循证医学信息检索的图谱 RAG 系统，把医学知识组织成图结构再结合大模型检索，让回答有据可查、可溯源。
用 Python 实现语义超图的基础库，把知识表示成可计算的超图结构，适合做知识库、认知建模和自然语言理解等需要表达多元关系的场景。