说明一：这个GraphRAG示例Shiny APP选取了网络小说《悟空传》的前7章建立知识图谱来回答问题。
对话中Agent会根据所提的问题选择是否查询知识图谱，如果是全局性的问题，会使用知识图谱中预先生成的社区摘
要来回答问题；如果是局部性的问题，会在知识图谱中查找最相似的问题，并找到最相关的其它材料来回答问题。
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聊天：
你好吗？
2、要检索知识图谱的全局查询问题：
《悟空传》书中的主要人物有哪些？
唐僧的取经团队对路上遇到的妖怪采取什么样的态度？
3、要检索知识图谱的局部查询问题：
孙悟空跟女妖之间有什么故事？
唐僧和会说话的树讨论了什么？
说明二：对话输出中在知识图谱的引用上有超链接，点击可以溯源查验。如果是引用了社区，就在“溯源查验”页中显示社区的
摘要与全文，如果是引用了文本块，就显示文本块的内容。有可能出现的情况是，只有1个实体结点的社区没有
做摘要，会显示“在知识图谱中没有检索到该语料”。
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。
对话记录