
graph-of-thoughts
把AI思考画成图,复杂问题解得快又准
项目预览
项目数据
项目介绍
Star 增长趋势
本站每日记录该项目 GitHub 星标变化,观测越久曲线越完整
数据来源:GitHub API 逐日快照 · 收录于 2026-08-09 · 当前星标 ★ 2853
使用教程
ℹ 本教程由 AI 依据该项目 README 整理,个别步骤可能需要按你的环境微调。
环境要求
- Python 3.8 或更高版本
- 已激活的 Python 环境(虚拟环境可选)
- 可访问的大语言模型(LLM)
- pip 包管理工具
安装与启动步骤
-
1确认 Python 版本
README 明确要求 Python 3.8 或更新版本,先确认本机版本满足条件,否则需先升级 Python。
python --version -
2安装 GoT 包
普通用户只使用 graph_of_thoughts 时,直接从 PyPI 安装即可,无需克隆仓库。
pip install graph_of_thoughts -
3源码可编辑安装
开发者需要修改代码时,克隆仓库后以可编辑模式安装,改代码立即生效。两种方式二选一。
git clone https://github.com/spcl/graph-of-thoughts.git cd graph-of-thoughts pip install -e . -
4配置 LLM
框架必须以 LLM 为引擎,需按官方 Controller README(graph_of_thoughts/controller/README.md)的说明配置你选用的模型。
-
5运行排序示例
README 展示的 Quick Start 片段,用 CoT 风格思路求解 32 个数的排序;片段中的初始化部分被截断,完整用法参考 examples/sorting。
from examples.sorting.sorting_032 import SortingPrompter, SortingParser, utils from graph_of_thoughts import controller, language_models, operations # Run the Controller and generate the output graph ctrl.run() ctrl.output_graph("output_cot.json") -
6运行 GoT 版本
换成 GoT 思路的示例再跑一次,输出文件改为 output_got.json,便于与 CoT 结果对比。
from examples.sorting.sorting_032 import SortingPrompter, SortingParser, got, utils from graph_of_thoughts import controller, language_models, operations # Run the Controller and generate the output graph ctrl.run() ctrl.output_graph("output_got.json")
如何确认成功
运行后当前目录生成 output_cot.json 或 output_got.json,最终 thought 的分数即排序列表中的错误数,越小越好。
常见问题
Q:我应该用哪种安装方式?
A:只是调用 graph_of_thoughts 的用户用 pip install graph_of_thoughts;需要改代码的开发者用 git clone 后 pip install -e . 可编辑安装。
Q:需要本地 GPU 吗?
A:README 未提及任何 GPU 或本地模型要求,只需要 Python 3.8+ 和可访问的 LLM,推理由所配置的模型完成。
Q:安装前要注意什么?
A:README 特别提醒:执行两种安装方式中的任意一种前,先激活你的 Python 环境(如果有的话)。
Q:LLM 怎么配置?
A:README 指路到 graph_of_thoughts/controller/README.md,按其说明配置你选择的 LLM;本项目正文未列出具体参数。
Q:Quick Start 代码能直接跑吗?
A:README 节选中的片段不完整,缺少 prompter、parser 与 controller 的初始化部分,需结合 examples/sorting 目录的完整示例补全。
注意事项
- 安装前先激活 Python 虚拟环境,避免污染系统环境。
- README 节选未给出端口、路径、密钥等具体配置项,实际参数请以 controller README 为准。
- 两种安装方式二选一,不要重复安装导致版本冲突。
- 输出图的分数表示错误数量,可据此对比 CoT 与 GoT 的效果。
核心亮点
- 图结构推理,支持思路合并与循环,突破线性限制
- 无需训练,通过提示词机制直接增强LLM性能
- 在排序、集合运算等任务上效果优于CoT和ToT
不足之处
- 图构建和推理过程对用户设计提示词要求较高
- 文档/社区待观察
适用场景
- 复杂逻辑推理与数学问题求解
- 多文档信息整合与对比分析
- 需要多路径探索的创意生成任务
替代项目
Tree of Thoughts (ToT)、Chain-of-Thought (CoT)、LangChain
上一篇:markstream-vue
下一篇:HelloAgents
同类项目推荐
pydantic-ai-skills
开源
给 Pydantic AI 装上按需加载的技能包,让代理更聪明
This package implements Agent Skills (https://agentskills.io) support with progressi···
generative-ai
开源
在 .NET 里用官方 SDK 直接调用 Gemini 做 AI 功能
Gemini SDK for .NET and ASP.NET Core enables developers to use Google's state-of-the···
langgraph-swarm-py
开源
几行代码把多个 AI 智能体编成接力团队
For your multi-agent needs
megabots
开源
不想从零写代码?几分钟搭好一个能用的 LLM 聊天机器人。
State-of-the-art, production ready LLM apps made mega-easy, so you don't have to bui···
NetCoreKevin
开源
拿来即用的 .NET AI 中台,快速搭知识库智能体
基于.NET搭建的企业级中台AI知识库智能体开源架构:Skill、MCP、Qdrant、知识库、Agent、多···
voice-ui-kit
开源
用 React 组件和 hooks 快速搭出语音 AI 应用界面
Components, hooks and template apps for building React voice AI applications quickly···
LLM-Kit
开源
一站式 WebUI 搞定 LLM 调用、微调和创意应用
WebUI integrated platform for latest LLMs | 各大语言模型的全流程工具 WebUI 整合包。支···
dexter
开源
把生产级 LLM 工具链直接搬进你的项目
LLM tools used in production at Dexa
taipy
开源
几行代码把数据变成网页应用,原型直接上线
Turns Data and AI algorithms into production-ready web applications in no time.