EasyMCM的博客

本文介绍了如何利用LangGraph构建深度研究代理(Deep Research Agent)。文章采用问题驱动方法，分析谷歌开源实现，展示如何将复杂研究流程建模为图结构。重点讲解了StateGraph的创建、节点定义和状态管理，通过生成查询、网络研究、结果评估和最终报告四个核心节点实现自主搜索-评估循环。该代理能动态判断信息充足性，决定继续搜索或生成带引用的报告，体现了LangGraph在复杂工作流编排中的优势。文章强调从实际代码入手，帮助读者掌握构建实用LLM代理的关键技术。

本文详细解析了BERTopic这一基于Transformer架构的高性能主题建模工具。相比传统方法（如LDA、LSA），BERTopic通过模块化流程整合嵌入模型（Sentence Transformer）、降维模型（UMAP）和聚类模型（HDBSCAN）等组件，显著提升了建模效果和可解释性。文章重点展示了如何利用TF-IDF、KeyBERTInspired等优化主题表示，并通过可视化工具（主题分布、相似度热力图等）分析结果。BERTopic的优势在于支持灵活调整各组件参数，同时提供分层、时间序列等变体模型