说明一：这个GraphRAG示例Shiny APP基于某公司的软件开发文档建立知识图谱来回答问题。
对话中Agent会根据所提的问题决定是否查询知识图谱，以找到最相关的开发文档来回答问题。
因为是要求准确的回答，LLM受到指示，如果不知道答案就回答不知道。所以RAG实际上是Prompt Engineering
的一种形式，它有效克服了LLM的幻觉、知识缺失和知识截止的问题，GraphRAG则通过使用知识图谱检索逻辑上深度相关的
附加材料，让LLM的回答更准确更有深度，更符合现实世界的客观事实与逻辑，更适用于法律、金融、医疗、教育等
准确率要求很高的领域。
例如：
1、不需要检索知识图谱的普通问题：
请介绍一下你自己。
2、需要检索知识图谱的问题：
根据某公司的软件开发文档，软件系统开发中的哪些环节工作量比较大？
3、不需要检索知识图谱，但需要结合上下文回答的问题：
谁的工作量比较大？
说明二：对话输出中在知识图谱的引用上有超链接，点击可以显示相关软件文档的原文，进行溯源查验。
说明三：LangGraph的删除消息功能目前还在Beta阶段，暂不支持清空整个对话，至少要保留第1轮对话。
说明四：在对话开始之前，可以从页面底部的下拉列表中选择使用的LLM厂商。目前测试过的LLM中，
国产的LLM只有阿里与百度在LangChain的集成中实现了工具绑定与调用的功能。
对话记录