OneKE：一种基于Docker化的模式引导LLM智能体的知识抽取系统
OneKE: A Dockerized Schema-Guided LLM Agent-based Knowledge Extraction System
AI总结：
本文提出OneKE，一个Docker化的模式引导多智能体知识抽取系统，通过可配置知识库支持多领域Web与PDF知识抽取，并在基准测试中验证了其有效性和广泛适用性。
摘要：
我们介绍了OneKE，一个Docker化的模式引导知识抽取系统，它可以从Web和原始PDF书籍中抽取知识，并支持多个领域（科学、新闻等）。具体来说，我们将OneKE设计为包含多个智能体和一个可配置知识库。不同的智能体执行各自的角色，从而支持各种抽取场景。可配置知识库有助于模式配置、错误案例调试与纠正，进一步提升性能。在基准数据集上的实证评估证明了OneKE的有效性，而案例研究进一步阐明了其对跨多个领域多样化任务的适应性，突显了其广泛应用的潜力。我们已在https://github.com/zjunlp/OneKE开源代码，并在http://oneke.openkg.cn/demo.mp4发布了视频。
英文摘要：
We introduce OneKE, a dockerized schema-guided knowledge extraction system, which can extract knowledge from the Web and raw PDF Books, and support various domains (science, news, etc.). Specifically, we design OneKE with multiple agents and a configure knowledge base. Different agents perform their respective roles, enabling support for various extraction scenarios. The configure knowledge base facilitates schema configuration, error case debugging and correction, further improving the performance. Empirical evaluations on benchmark datasets demonstrate OneKE's efficacy, while case studies further elucidate its adaptability to diverse tasks across multiple domains, highlighting its potential for broad applications. We have open-sourced the Code at https://github.com/zjunlp/OneKE and released a Video at http://oneke.openkg.cn/demo.mp4.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
