基于 LangGraph 的开源论文工作流：利用知识图谱解决免费小模型逻辑问题

针对 AI 辅助学术写作成本高昂的问题，社区发布了 academic-cluster-py 项目，旨在利用免费 API 实现低成本综述生成。该项目集成了 Paper-Search CLI 与 Zotero-AI-Butler 的思想，构建了一套完整的 LangGraph 工作流。其核心逻辑在于：通过广泛检索与结构化处理文献，利用 LLM 进行实体抽取并构建知识图谱，进而通过社区聚类算法自动生成论文大纲，有效规避了 Qwen3-8B 等免费小模型因上下文窗口限制而导致的逻辑崩塌。实测表明，该方案在不使用昂贵闭源模型的前提下，能生成结构合规、引用正确的课程论文，仅需极低的服务器成本即可运行，为预算有限的开发者提供了 AI Agent 工作流优化的新思路。

事件分析

💡 核心观点：知识图谱架构能有效弥补小模型推理短板，通过结构化工作流实现低成本长文本生成。