LNR-server-01-input-data-processing

📣 Wichtiger Hinweis

⚠️ Da sich das Paper derzeit im Begutachtungsprozess befindet, ist die Wiederverwendung sämtlicher Inhalte in diesem Repository bis zur Entfernung dieser Ankündigung nicht gestattet. Vielen Dank für Ihr Verständnis! 🙏

Related MCP server: mcp-image-compression

1. Überblick & Ziele

Dieses Repository enthält die vollständige Implementierung, experimentelle Daten und ergänzende Ergebnisse für das Paper ×××, das von der XXX University in China entwickelt wurde.

Bis zur Veröffentlichung wird der Code unter einer restriktiven Lizenz bereitgestellt. Sobald das Paper akzeptiert wurde, wird das Repository auf eine MIT-Lizenz umgestellt. Bitte kontaktieren Sie den korrespondierenden Autor für Anfragen bezüglich der akademischen Nutzung während des Begutachtungszeitraums.

2. Videos zum Betrieb der Agenten

2.1 Betrieb des entwickelten Prototyps

↓↓↓ Eine Demonstration der Verwendung des entwickelten Prototyps zur Steuerung der TCG-TE LNR-Agenten mithilfe von graphgesteuerten MCP-Tools

Das vollständige Video finden Sie hier

↓↓↓ Eine Demonstration der Verwendung des entwickelten Prototyps zur Integration eines neuen MCP-Servers in TCG-TE LNR-Agenten

Das vollständige Video finden Sie hier

2.2 Betrieb von Agenten basierend auf dem NPG-TE-Muster

↓↓↓ Ein Ausschnitt des Betriebs des NPG-TE-Agenten mit diskreten MCP-Tools, gesteuert durch GPT-5.

↓↓↓ Ein Screenshot der Antwort des Agenten

Das vollständige Video finden Sie hier

↓↓↓ Ein Ausschnitt des Betriebs der NPG-TE-Agenten mit diskreten MCP-Tools, gesteuert durch GPT-4o.

↓↓↓ Ein Screenshot der Antwort des Agenten

Das vollständige Video finden Sie hier

2.3 Betrieb von Agenten basierend auf dem TCG-TE-Muster

↓↓↓ Ein Ausschnitt des Betriebs der TCG-TE-Agenten mit graphgesteuerten MCP-Tools, gesteuert durch Claude sonnet 3.7.

Das vollständige Video finden Sie hier

↓↓↓ Ein Ausschnitt des Betriebs der TCG-TE-Agenten mit graphgesteuerten MCP-Tools, gesteuert durch GPT-4.1.

↓↓↓ Ein Screenshot der Antwort des Agenten

Das vollständige Video finden Sie hier

3. Repository-Struktur

4. Danksagungen

Diese Arbeit stützt sich maßgeblich auf exzellente Open-Source-Projekte, einschließlich, aber nicht beschränkt auf:

• LangGraph & LangChain

• Hugging Face MTEB-Bestenliste

• NetworkX, PyTorch Geometric und zahlreiche LLM-Anbieter (OpenAI, Anthropic, Qwen, Llama usw.)

Wir sind allen Mitwirkenden dieser grundlegenden Arbeiten zutiefst dankbar.