Juanji: AI-агент для кода от сообщества OpenBMB 142

Что такое Цзюаньцзи (卷姬)?

«Цзюаньцзи» — это инструмент для агентов кода ai, недавно представленный сообществом OpenBMB с открытым исходным кодом, инструмент, специально разработанный для эффективного извлечения ценного контента. Пользователю достаточно ввести свой запрос на официальном сайте, чтобы быстро сгенерировать обзорный отчёт.

«Цзюаньцзи» предлагает на выбор два режима: обычный режим выводит заголовок и ключевые слова; профессиональный режим более гибкий — пользователь может настраивать источники материалов, например выбирать онлайн-поиск или загрузку файлов.

По сравнению с другими инструментами «Цзюаньцзи» выделяется логической строгостью и академичностью, что особенно подходит для глубокого анализа. Генерируемые им статьи имеют чёткую структуру, вводная часть изложена доступно, а заключительный анализ — всесторонний и детальный, аргументация подробна и обоснована.

Технологической основой «Цзюаньцзи» является LLMxMapReduce-V2, совместно разработанная несколькими командами и предназначенная для оптимизации агрегации и использования литературы. В настоящее время «Цзюаньцзи» уже запущен, соответствующая научная статья и материалы с открытым исходным кодом доступны.

Основные функции Цзюаньцзи

Отбор литературы и структурированный вывод: на основе введённых пользователем ключевых слов автоматически отбирает высококачественную литературу из библиотеки работ и формирует структурированный каркас, включающий ключевую логику, методологию и исследовательские пробелы.

Динамическое построение графа знаний: путём анализа цитирований и концептуальных связей между работами генерирует визуализированный граф эволюции предметной области, помогая пользователю быстро определять академические热点 и тенденции.

Многоязычная поддержка и адаптация к предметной области: поддерживает смешанный ввод на китайском и английском языках, а также может адаптировать аналитическую модель под различные дисциплины, такие как информатика и биомедицина, повышая отраслевую релевантность.

Технические принципы Цзюаньцзи

«Цзюаньцзи» разработан на базе модельной экосистемы OpenBMB и сочетает алгоритмы свёртки с методами оптимизации на основе информационной энтропии, что позволяет быстро анализировать огромные массивы литературы и генерировать обзорные отчёты с чёткой логикой и высокой информационной плотностью. В основе лежит технология интеграции и генерации длинных текстов LLMxMapReduce-V2, совместно разработанная командами AI9Star, OpenBMB и Университета Цинхуа. Её суть — агрегация литературы с помощью алгоритма текстовой свёртки в сочетании с методом масштабирования во время тестирования на основе случайной свёртки, управляемой информационной энтропией, что обеспечивает эффективную обработку сверхдлинных входных данных и повышает качество статьи.

Руководство по использованию Цзюаньцзи

• Откройте сайт https://surveygo.thunlp.org/ и нажмите «Начать обзор».

• Выберите обычный или профессиональный режим и отправьте запрос.

• Обычный режим: выводятся заголовок и описание ключевых слов, отправьте запрос и дождитесь генерации.

• Профессиональный режим: позволяет дополнительно настраивать источники материалов, выбирая «онлайн-поиск» или «загрузка файлов». Для защиты конфиденциальности пользователя статья, сгенерированная на основе загруженного файла, и сам загруженный файл могут быть настроены как не подлежащие публикации.

• Войдите на сайт повторно, чтобы получить сгенерированный обзорный отчёт.

Производительность

• Скорость и качество: в тестовых сценариях команды Университета Цинхуа «Цзюаньцзи» всего за 3 минуты выполнил генерацию обзора по 200 статьям в области квантовых вычислений. Объём вывода составил 28 000 иероглифов, а логическая связность была положительно оценена группой научных руководителей.

• Преимущество в сравнительных оценках: команда провела сравнительное тестирование, предложив «Цзюаньцзи» и таким моделям, как OpenAI - DeepResearch, написать обзор на тему «Влияние тарифных войн на жизнь обычных людей». По критериям структуры, содержания, аргументации и цитирования «Цзюаньцзи» показал отличные результаты. Оглавление сгенерированной статьи имеет чёткую иерархию, анализ содержания глубокий, аргументы обоснованы, цитаты точны — комплексные возможности превосходят другие модели.

Соответствующие ссылки

• Ссылка для использования: https://surveygo.thunlp.org/

• Ссылка на статью: https://arxiv.org/abs/2504.05732

• Ссылка на открытый исходный код: https://github.com/thunlp/LLMxMapReduce/tree/main