- 综合排序
- 最热优先
- 最新优先
双图谱架构驱动渗透测试任务完成率提升至85%
构建因果推理与动态规划双引擎 针对核心痛点，项目采用P-E-R（规划-执行-反思）协同框架，创新性地引入双图谱驱动架构： 任务图谱：基于DAG有向无环图实现非线性任务编排，通过子任务状态管理（pending →in_progress→completed/failed）和依赖关系建模，解决线性执行导致的逻辑死锁问题 因果图谱：通过四层节点结构（证据节点→假设节点→漏洞节点→利用节点）构建科学推理链条，采用贝叶斯置信度算法 团队在腾讯云黑宫松竞赛中展现的体系化攻防能力，验证了双图谱架构在真实场景中的可靠性。战队负责人表示："系统首次实现了渗透测试任务的动态重规划能力，使智能体具备人类专家级的战略适应性。" 技术细节完整性的前提下，压缩率达70% 数据来源：腾讯云黑宫松智能渗透挑战赛实测数据、腾讯安全众测平台性能统计、方班-BinX战队实战案例 技术认证：腾讯云安全云鼎实验室2024年度创新解决方案、AI驱动安全攻防卓越奖
18210编辑于 2026-04-04双图谱驱动智能渗透测试：解决复杂任务遗忘与幻觉，提升攻防自主性
构建双图谱驱动的认知架构与P-E-R协同框架 核心方案：双图谱+P-E-R+抗遗忘+知识增强 双图谱驱动认知架构： 任务图（Plan-on-Graph）：基于networkx.DiGraph实现DAG Reflector反思（来源：图谱驱动的认知架构 | 因果图的设计与实现、置信度动态演进）。 方班-BinX战队实战验证双图谱架构 客户案例：广州大学方班BinX战队（方滨兴院士育人理念指引，专注智能攻防/自动化渗透/漏洞挖掘），在北京冬奥会、成都大运会、杭州亚运会、哈尔滨亚冬会、粤港澳十五运等重大活动网络安全保障中实战锤炼 应用效果：依托双图谱架构与P-E-R框架，形成全面高效体系化攻防能力，通过高强度实战检验验证全局规划与证据推理能力（来源：About us | 方班 - BinX 技术底蕴、使命担当）。 总结技术领先性：为何选择腾讯云智能渗透方案 技术架构优势：双图谱驱动认知架构解决“灾难性遗忘”与“推理幻觉”，P-E-R协同框架实现动态决策与反思，多维度抗遗忘机制突破LLM上下文限制，知识增强主动检索模拟专家查资料能力
16510编辑于 2026-04-05- 来自专栏云深之无迹
Arduino驱动双轴XY按键摇杆模块
摇杆电位器 安装了两个10K高精度电位器和一个按键开关，功率0.015W，最高使用电压100V A.C，能垂直位置自动复位，用于控制键盘等, 可自由地控制方向，直观地监控机器的运转状况。
2.5K10发布于 2020-11-19 - 来自专栏DrugOne
NSR综述：知识图谱如何驱动AI科学发现？
动态维护与评估：通过增量学习、人机协同审核及LLM智能体驱动，实现知识的持续更新与验证。评估需贯穿构建全流程，涵盖构件准确性、图谱结构质量与下游科学任务效用三个维度。 三 SciKG如何赋能科学发现？ 图 3：科学知识图谱与大语言模型的协同融合：面向知识驱动的科学发现 4.3 协同赋能科学发现闭环：从数据到验证的全流程增强 基于事实锚点与语义引擎的互补角色，SciKG-LLM协同框架可系统性地赋能科学发现的四个核心环节 图 4： 由大语言模型智能体与科学知识图谱驱动的自主科学发现飞轮 五 挑战与未来：构建自主科学发现的知识基础设施 当前挑战主要集中在：数据质量与集成瓶颈（数据不完整、噪声与实验差异）、互操作性与共享壁垒 SciKG驱动的AI科学家智能体：将知识图谱嵌入自主科研系统，实现从数据感知、知识推理到实验执行的闭环式科学发现。 欢迎社区共建，共推AI驱动的科研创新。
19510编辑于 2026-04-10 - 来自专栏程序萌部落
双显卡笔电安装N卡驱动及CUDA
安装和使用Ubuntu的感受 初始安装时要修改配置，针对双显卡机器； 安装系统的过程非常快，这得益于我的固态硬盘； 系统的初始环境比Win10全，比如自带Python环境等等； 操作起来整体感觉圆滑，但比 下面是安装系统及显卡驱动的步骤和需要注意的地方。 安装系统及Nvidia驱动 双显卡的系统安装及驱动安装的准备工作 Bios改成uefi，关闭安全启动； 插入启动U盘，启动安装，在try ubuntu ..install Ubuntu 的这个界面 Done 选择安装驱动的版本 列出适用该笔记本电脑显卡的具体驱动版本。 最后，如果可以在<软件和更新>中找到相对应的驱动版本，也可以直接鼠标选择后应用即可。这是18.04及以后都支持的Nvidia驱动安装方法。
3.8K20发布于 2020-02-17 - 来自专栏博文视点Broadview
万字详解“用知识图谱驱动企业业绩增长”
点击“博文视点Broadview”，获取更多书讯 在企业数字化、智能化转型的研发、生产、供应、销售、服务等诸多场景中，如何融合数据与专家知识，协同驱动业绩增长是一个多方关注，且难以解决的难题。 那么，知识图谱如何提升用户画像分析引擎的能力呢？ （1）知识图谱可以对用户画像中的标签进行扩展，将业务知识、百科知识与标签进行关联。 因此在实践中，以图拓扑结构存在的用户社交图谱体系、商品交互知识图谱体系，需要以用户标签体系的节点进行聚合，比如将用户的社交关联图谱通过抽象的圈层活跃度、领域活跃度等标签体系进行转化，用户标签体系通过知识图谱可以在深度与广度上都得到提升 一位电商用户上周购买了一双篮球鞋，那么其这周的注意力就可能转移到其他商品上，比如一个键盘，这个标签的转移概率可以通过序列模型或者图结构模型进行统计。 （1）在用户认知模块中，可以通过知识图谱技术构建内容知识图谱、商品知识图谱、业务专业知识图谱及用户知识图谱，以形成对用户、物、场景的全面认知。在该模块中，知识图谱可以丰富知识并扩展判断空间。
90811编辑于 2022-07-27 - 来自专栏DrugOne
MuRP | 双曲空间下知识图谱链路预测新方法
1 研究背景 然而，在分层多关系图数据结构中，双曲空间嵌入方法性能却不如欧几里得模型。因为在双曲空间中很难找到一种方式来表示跨关系共享的实体(节点)，使得它们在不同的关系下形成不同的层次。 知识图谱是一个典型的分层多关系数据结构，将其嵌入到双曲空间中可能会有较明显的改进。因此该文章重点研究在双曲空间中嵌入多关系知识图谱数据，并进行链路预测。 MuRP的参数数随实体和关系的数目线性增加，从而具有较大的知识图谱可伸缩性。 3 实验 3.1 数据集 文章首先使用标准WN18RR和FB15k-237数据集测试庞加莱和欧几里得模型在知识图谱链接预测任务中的性能。 此外，由于知识图谱中并不是所有的关系都是分层的，后续工作可以将欧几里得和双曲模型结合起来，产生最适合数据曲率的混合曲率嵌入。
2.4K60发布于 2021-02-01 IEC62386双色温DALI驱动电源参数如何设置？
，这时，在调试的时候，我们就需要先取得各个产品的参数值，通过DAli控制系统软件上对驱动电源进行参数设定，只有正确设置了双色温参数，才能调出正确的色温光线的。 DALI双色温的色温Tc在使用前,需要根据灯具的色温先进行参数设置,即要定义你的灯具的色温调节范围,这个范围是由灯珠决定的,一般的灯珠供应商都有提供这个参数的,设置后,可以进行准确的色温控制和亮度控制了 .通过软件先把驱动电源搜索上来，然后，到DT8参数页进行设置双色温只要设置有参数有4个。 下面采用Dalitools软件+VH-DLGW-U的控制器对双色温驱动电源进行设置这4个参数有什么关联呢？ ，达到想要实现的效果当我们设置好双色温参数后，可以通过使用色温检查仪测量验证，基本上都是在获得范围内的色温值了。
17210编辑于 2025-11-22微服务拆分实践-基于业务流程驱动和数据共享驱动的双维度拆分思考
包括我在前面也发过很多的文章视频来解释这一这些点，包括对于流程驱动的情况下，你应该怎么样拆分？如果是数据驱动的应用，你应该怎么样去拆分？ 理清业务驱动和数据驱动两种关系 对于IT应用建设一般有两种关键的类型，一种就是工单流程驱动型，比如说你建了一个OA系统，你建的一个it运维系统，那么在这种情况下面，你微服务拆分的再细也没有关系，因为不同的工单不同的流程 对微服务的简单回顾 在讲业务驱动和数据驱动双维度拆分前，我们还是简单的回忆一下我原来讲过的对于传统架构到微服务架构的演进路线，这个本身又分为了开发设计态和部署运行态。 基于业务驱动和数据驱动的双维度拆分 原来我在谈微服务拆分的时候，更多的都是从一个大单体单体系统怎么样去拆分去考虑，就是说这个单体应该拆成几个微服务，包括底层的数据库应该怎么样去做拆库，那这个一个大单体的这个视角 能力中心数据驱动拆分，应用业务驱动拆分 所以我们看到DB的这种共享库怎么样去建设，又回到了我们做传统的主数据，传统的数据架构建模的核心思路。
28300编辑于 2025-06-24- 来自专栏京东技术
CI+GPT双引擎驱动，开启AI代码评审新纪元
在今年的敏捷团队建设中，我通过Suite执行器实现了一键自动化单元测试。Juint除了Suite执行器还有哪些执行器呢？由此我的Runner探索之旅开始了！
82210编辑于 2024-06-11 专业GEO优化团队配置：技术+内容双驱动的人才体系
秒响应网络的实践案例显示，通过技术与内容双驱动，企业可在短期内实现AI搜索流量与潜在询盘的同步增长。团队协同与组织架构一个高效的GEO优化团队不仅强调个人能力，还需关注跨职能协作。 技术与内容团队应在项目初期共同制定语料投喂计划、知识图谱结构及监测指标，确保优化策略的一致性与执行效率。 企业可设置项目经理负责进度和资源调配，技术负责人专注模型适配和数据接口优化，内容负责人专注长尾问题与多模态内容生产，形成技术与内容双驱动的闭环体系，从而让GEO优化不仅停留在理论层面，而能真正带来AI搜索流量和品牌认知提升 秒响应网络作为本地化服务商，已在多行业实践中验证了技术+内容双驱动团队的价值，通过系统化的GEO优化方法论，为企业构建完整的AI搜索营销闭环，实现内容被引用、品牌曝光及潜在客户转化的稳步提升。 A:秒响应网络实践了技术+内容双驱动的团队体系，通过知识图谱、语料投喂及引用监测闭环，实现AI搜索流量提升和潜在客户转化，具有可量化的优化效果。
30910编辑于 2026-01-09- 来自专栏Geo
知识图谱：Geo优化核心引擎，驱动AI时代内容信任与增长
在人工智能（AI）驱动的数字时代，信息获取方式正经历深刻变革。 在这一范式转移中，围绕核心词构建的知识图谱，已成为Geo优化的关键基石和核心驱动力。 本文将深入探讨知识图谱在Geo优化中的深层机制、其不可或缺的重要性，以及它如何与于磊老师首创的“两大核心+四轮驱动”方法论深度融合，共同构建AI时代的内容新生态。 三、“四轮驱动”：系统化提升内容权威与可索引性如果说“两大核心”是Geo优化的“方向盘”，那么“四轮驱动”就是推动内容持续前进的“引擎”。 这一成果显著优于传统SEO方法，充分证明了知识图谱作为Geo优化核心驱动力，在提升AI信任、扩大内容覆盖面和促进用户转化方面的决定性作用。
2400编辑于 2026-04-28 - 来自专栏AI科技评论
清华大学施路平：双脑驱动的人工通用智能
从诺贝尔奖和图灵奖获奖者的研究来看，大脑和计算机的研究是分别发展的，而目前的研究需要将两者融合起来发展，形成“双脑驱动”的发展模式。 图6：清华大学类脑研究架构 清华大学类脑研究主要采用“大脑”和“电脑”双脑驱动的发展战略，以计算机为主体，融合脑原理，从理论、芯片、软件、系统、应用五个方面协同发展，发展方向从一个问题一个解决方案发展到一类问题一个解决方案 基于现有服务器搭建云脑，该云脑将具有独立数据库、知识图谱和软件工具链，在解决五类基本问题后逐步发展。 图12：类脑计算云脑 最后，施路平表示，目前计算机和人工智能的发展所面临的挑战需要我们发展类脑计算，而双脑融合驱动是类脑计算发展的关键，类脑计算需要理论、芯片、软件、系统和应用协同发展，人工通用智能面向各行各业 ，双脑驱动的类脑计算可以赋能各行各业。
1.1K30发布于 2020-11-09 - 来自专栏智算中心网络
动态WCMP+Flowlet ALB：双引擎驱动智算网络负载均衡
人工智能（AI），特别是大规模模型训练和推理，正以前所未有的方式重塑数据中心网络。传统的“尽力而为”网络架构，在处理海量、突发的AI数据洪流时捉襟见肘。AI模型对网络性能的严苛要求——高带宽、低延迟、零丢包——迫使网络必须进行一场深刻的智能进化，从被动的基础设施转变为理解业务、感知状态、智能决策的“AI感知网络”。
55610编辑于 2025-06-20 - 来自专栏深度学习与python
叶军：企业数字化转型需要组织和人才双驱动
企业数字化转型的驱动力是什么？ 在不久前极客邦科技发起主办的以“跨越边界的生长”为主题的 DTDS 全球数字人才发展峰会上，阿里巴巴集团副总裁、云智能钉钉事业部总裁叶军以《数字化组织和人才双驱动的转型之路》的主题演讲，给了我们答案，本文整理自他的分享
73420编辑于 2023-04-01 - 来自专栏机器智能技术干货
知识图谱与大模型双向驱动的关键问题和应用探索
，图谱技术积极拥抱新一代AI技术体系，如大模型(Large Language Model, LLM)，实现二者的双驱动增强，定义融合互通的技术范式和关键问题，借助LLM强大的语言理解能力，为基于非/半结构化数据的图谱构建提效 同时，结合大模型在领域落地的典型场景，我们致力于构建SPG + LLM双驱动的行业落地范式，以提升领域应用的可控性和可信度。另外，基于知识图谱解决LLM幻觉的问题是一项长期且复杂的工作。 ，LLM在商户经营与风控领域尚未有明确可落地的场景；LLM + SPG双驱动：主要体现在知识问答、报告生成等用户交互类场景中，比如前文提到的AI电话唤醒受害者和反洗钱智能审理报文生成等。 文献中详细描述了LLM与SPG的双驱动，包括KG增强的LLM、LLM增强的SPG以及LLM+SPG框架协同三个方面；SPG only：在推理决策、分析查询、知识挖掘类等不需要复杂语言交互和意图理解的决策 通过框架的协同实现LLM与SPG双驱动，支持跨模态知识对齐、逻辑引导知识推理、自然语言知识查询等。这对SPG知识语义的统一表示和引擎框架的跨场景迁移提出了更高的要求。表1.
2.6K00编辑于 2024-01-31 - 来自专栏百味科研芝士
HPA数据库更新脑图谱、血液图谱与代谢图谱
原来的HPA数据库主要包含组织图谱、细胞图谱与病理图谱，分别包含内容如下： 组织图谱： 某蛋白在机体不同组织脏器中的表达情况。 细胞图谱： 某蛋白在细胞内的定位情况，如核内、细胞膜上等。 病理图谱： 某蛋白在不同肿瘤中的表达情况。 最近，HPA数据库更新了脑图谱、血液图谱与代谢图谱，让我们一起来看看他们包含了哪些内容吧： 脑图谱 脑内最重要的功能单元就是神经元了，神经元的胞体和树突富含微观结合蛋白2 （MAP2），而轴突富含低分子量 可以看到血液图谱目前仅有RNA信息，没有蛋白信息。 ? ? ? ? 不同数据集中表达情况，可以发现该基因在所有白细胞中均表达。 ? 其余三类信息待补充。 代谢图谱 代谢图谱主要是手工整理了胞内的代谢通路，确定了各类代谢反应及其胞内定位，具体如下： ? 不同代谢通路，如组氨酸代谢和磷酸戊糖途径。 ? 胞内不同部位，如线粒体、胞浆、内质网、核内等。 ?
1.7K10发布于 2020-06-11 - 来自专栏ooderAgent
AI+低代码双引擎驱动：重构智能业务系统的产品逻辑
低代码与AI融合的架构重构将低代码技术深度融入产品体系，形成"可视化编排+AI增强"的双引擎架构，彻底重构传统业务系统的开发与交付模式。 与AI知识图谱融合 fusedMetadata = aiKnowledgeFusionService.fuse( parsedMetadata, request.getRawMetadataId 这种重构不仅大幅提升了开发效率，更重要的是改变了系统的演进方式——从"开发驱动"转变为"业务驱动"，使系统能够真正跟上业务的快速变化。
41000编辑于 2025-07-10 - 来自专栏人工智能领域
数字人技术的核心：AI与动作捕捉的双引擎驱动（210）
表情僵硬：传统动画驱动方式，主要依赖预先设定的关键帧和简单的动画曲线来控制数字人的表情变化。 传统动画驱动难以精准模拟这些微表情以及肌肉之间的联动关系，导致数字人的表情显得十分僵硬、不自然，仿佛戴着一层冰冷的面具，无法传递出真实的情感。 在这一过程中，动作捕捉技术实时采集真实人类的动作数据，并将其转化为数字信号，为数字人的动作驱动提供数据支持。 通过动作捕捉技术，驱动数字人主播在直播过程中实现自然流畅的交互。数字人主播能够根据观众的提问和评论，做出相应的动作和表情，如点头、微笑、挥手等，增强了直播的互动性和趣味性。 1、数字人：从科幻走向现实的未来（1/10） 2、数字人技术的核心：AI与动作捕捉的双引擎驱动（2/10）
1.3K10编辑于 2025-04-09 - 来自专栏罗超频道
告别三级火箭后，搜狗再创AI驱动的双引擎模式
早在2018年初，搜狗CEO王小川就曾透露，2018年搜狗核心战略是通过AI升级搜索和输入法双引擎，其中搜索基于AI问答化，而输入法是走向对话，现在看来，搜狗的双引擎模式已经成型。 ? 不论是输入法还是搜索业务的增长，核心驱动都是AI技术。 基于AI的双引擎是搜狗现在的增长动力，而基于AI打造的新业务矩阵，则是未来。 整体而言，搜狗早已不再依赖“三级火箭”模式，业务核心逻辑不再是产品间导流，而是用AI技术驱动双引擎，再探索更多新业务，包括软硬件，形成更加丰富的产品层次，有望突破互联网行业的天花板。 AI双引擎驱动搜狗再增长 搜狗手机输入法稳居行业第一的核心原因，一方面是基于语言、图像和语义理解等AI技术将输入体验做得更好，让用户表达更加高效、有趣和丰富；另一方面，则是将语音输入做得更加好用，抓住了用户移动碎片输入的各种场景
1.2K20发布于 2019-05-14
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号