- 综合排序
- 最热优先
- 最新优先
知识图谱增强大模型应用架构
本文是知识增强大模型应用架构的简要概述，更加详细的内容，可以参考我所撰写的即将出版的《知识增强大模型导论》一书。 二、应用架构的设计原则 1. 三、知识增强大模型应用系统架构概览 知识增强大语言模型应用架构的核心思想是将外部知识以结构化或非结构化的形式注入大模型中，从而弥补模型自身知识的不足，这类似于人类学习过程中的“查阅资料”。 从架构上，知识增强大模型应用系统通常将大模型作为通用知识处理的基础设施，同时结合文档搜索、数据库检索和知识图谱来注入高精度、领域化的知识内容。架构整体设计如图所示。 知识图谱的设计能够直观、精确地呈现复杂的领域知识，便于进行有效的推理和查询。 在知识增强大模型中，知识图谱作为一种结构化的知识表示方式，能够为模型提供高效且权威的知识支持。 业务引擎 业务引擎是知识增强大模型中面向具体行业或应用场景的一个模块，专门处理与特定业务相关的知识。
89010编辑于 2024-12-24- 来自专栏云头条
浪潮减少 49 亿、新华三增 18 亿、华为减 10 亿、戴尔增 7.4 亿、联想增 13.6 亿
2021年10月20日，IDC发布的《2021年第二季度中国服务器市场跟踪报告》显示：2021年上半年中国服务器市场出货量为170.6万台，同比增长8.9%；市场规模为108.1亿美元（691亿人民币） 根据IDC广义边缘计算定义的划分，目前部署在边缘的服务器占整体服务器市场已超过10%，其中95%以上依然采用通用服务器。
90930编辑于 2022-03-18 - 来自专栏PHP在线
10 个强大的 Apache 模块
10.CGI V8 引擎包 v8cgi 是一个很小的 C ++ 和 JS 文件集合，允许开发者在服务器端使用 JS 的模块，基本功能包括：IO, GD, MySQL, Sockets, templates
1.2K90发布于 2018-03-07 - 来自专栏人工智能
知识图谱 —— 结构化知识的强大工具
在金融领域，知识图谱同样展现了其独特的优势。利用知识图谱将账户、交易、金融产品以及客户之间的潜在关系整合在一起，可以实时发现异常交易与资金流向，从而帮助银行、保险公司、证券公司建立起有效的反欺诈模型。 当前，许多先进的人工智能模型特别是大规模生成模型（例如GPT模型）的输出常常缺乏对事实信息的准确性和逻辑性。而融合知识图谱可以作为背景知识，为生成模型的推理与校验提供强有力的支持。 设想在智能客服系统中，系统在回答用户问题时，不仅依赖于预训练模型的语言生成能力，同时借助知识图谱对相关事实进行查证，避免了因信息错误引起用户误解的问题。 这样一种融合方式正是当前研究者们努力实现的一种新型人工智能应用模型。我们进一步探讨实际场景中的知识图谱构建过程时，可以借助Python语言来辅助说明这一概念的实现方式。 self.G)nx.draw_networkx_nodes(self.G,pos,node_size=700)nx.draw_networkx_labels(self.G,pos,font_size=10
36610编辑于 2026-03-09 - 来自专栏人工智能
知识图谱 —— 结构化知识的强大工具
在金融领域，知识图谱同样展现了其独特的优势。利用知识图谱将账户、交易、金融产品以及客户之间的潜在关系整合在一起，可以实时发现异常交易与资金流向，从而帮助银行、保险公司、证券公司建立起有效的反欺诈模型。 当前，许多先进的人工智能模型特别是大规模生成模型（例如GPT模型）的输出常常缺乏对事实信息的准确性和逻辑性。而融合知识图谱可以作为背景知识，为生成模型的推理与校验提供强有力的支持。 设想在智能客服系统中，系统在回答用户问题时，不仅依赖于预训练模型的语言生成能力，同时借助知识图谱对相关事实进行查证，避免了因信息错误引起用户误解的问题。 这样一种融合方式正是当前研究者们努力实现的一种新型人工智能应用模型。我们进一步探讨实际场景中的知识图谱构建过程时，可以借助Python语言来辅助说明这一概念的实现方式。 self.G)nx.draw_networkx_nodes(self.G,pos,node_size=700)nx.draw_networkx_labels(self.G,pos,font_size=10
18100编辑于 2026-03-10 - 来自专栏tkokof 的技术,小趣及杂念
编程小知识之 自增(自减)运算符
本文链接：https://blog.csdn.net/tkokof1/article/details/102795683 本文讲述了 C/C++ 中 自增(自减)运算符 的一些知识~ 自增(自减 )运算符应该是 C/C++ 编程中的基础知识了,而自增(自减)运算符又有两种形式,分别是 前置自增(自减) 和 后置自增(自减) (出于简单考虑,后文仅以自增运算符进行举例讲解). (多用前置自增,少用后置自增),理由也很简单:虽然 前置自增 和 后置自增 的效率相仿甚至相同,但是 前置自增 仍然在理论上要优于 后置自增. 但后面从 Game Engine Architecture 中却了解到了一个有些颠覆的知识: 前置自增 效率上其实一般是要 慢于 后置自增 的 !!! : 多用后置自增,少用前置自增 !
1.3K20发布于 2019-10-30 - 来自专栏Timhbw博客
windows10强大小工具
Windows 10小工具，实用的Win10小工具，集成移除水印、 KMS激活、Office激活、系统激活、ESD转换、磁力搜索、文件HASH、系统信息、系统版本、任务监控、Hosts编辑、Adobe 文件下载 Win10全系列增强小工具 Windows V1.6.7 10.43MB 下载密码：发表评论并刷新可见！ 下载地址
1.1K90发布于 2018-05-02 - 来自专栏夏天的前端笔记
每天10个前端小知识 【Day 10】
前端面试基础知识题 1. es5 中的类和es6中的class有什么区别？ 在es5中主要是通过构造函数方式和原型方式来定义一个类，在es6中我们可以通过class来定义类。 的动画做一些优化 代码相对简单 缺点 在动画控制上不够灵活 兼容性不好 JavaScript 的动画正好弥补了这两个缺点，控制能力很强，可以单帧的控制、变换，同时写得好完全可以兼容 IE6，并且功能强大 10. Promise.all 和 Promise.allSettled 有什么区别？
56110编辑于 2024-01-18 - 来自专栏丑胖侠
构建强大REST API的10个最佳实践
在项目开发中，我们经常会使用REST风格进行API的定义，这篇文章为大家提供10条在使用REST API时的最佳实践。希望能够为你带来灵感和帮助。 这一条也是非常基础的HTTP知识，不同的错误码代表着不同的含义，准确的返回错误码，可以让终端更加精准的识别错误。 10、文档化你的API 为你的API提供全面的文档，包括端点细节、请求/响应示例和使用指南。 建议： Swagger/OpenAPI文档 基于Markdown的文档（例如，使用Swagger UI或Redoc等工具） 以上便是10条关于REST API使用过程中的10条最佳实践，其中一部分不仅仅是针对
82110编辑于 2023-12-11 - 来自专栏云原生实验室
接入开源项目 Marker 让 FastGPT 读 PDF 能力暴增10倍
例如 Marker[1] 项目，它采用 Surya 模型进行基于视觉的解析，能够有效提取 PDF 中的图片、表格、公式等复杂内容。 使用教程 安装 Marker 为了使用 Marker 进行 PDF 解析，我们首先需要安装 Marker 模型。你可以参考 Marker 安装教程[2] 进行完整安装。 在知识库中上传一个 PDF 文件并确认上传 2.
1.5K10编辑于 2024-12-24 - 来自专栏Reck Zhang
Java 10 - 内存模型
内存模型 主存储器与工作存储器 主存储器 方法区(Method Area) 方法区用于存储类的信息, 常量, 静态变量, 即时编译器编译后的代码. 栈(Java Virtual Machine Stacks) 代表着Java方法执行的内存模型, 每个方法执行时都会创建一个栈帧来存储方法的变量表, 操作数栈, 动态链接方法, 返回值, 返回地址等信息
39620发布于 2021-08-11 - 来自专栏Python与算法之美
10，模型的优化
搜索超参数空间以优化超参数需要明确以下方面： 估计器 超参数空间 交叉验证方案 打分函数 搜寻或采样方法（网格搜索法或随机搜索法） 优化模型的常见方法包括 网格搜索法，随机搜索法，模型特定交叉验证， 三， 模型特定交叉验证 一些特定的模型，sklearn构建了一些内部含有交叉验证优化机制的估计器。 它们主要是在linear_model模块。 四， 信息准则优化 模型选择主要由两个思路。 解释性框架：好的模型应该是最能解释现有数据的模型。可以用似然函数来度量模型对数据集描述能力。 预测性框架：好的模型应该是最能预测结果的模型。 通常模型参数越多越复杂，越容易出现过拟合。 所以，模型选择问题在模型复杂度与模型对数据集描述能力（即似然函数）之间寻求最佳平衡。 AIC(赤池信息准则)和BIC(贝叶斯信息准则)对模型的选择提供了一种判据。 AIC信息准则选择AIC最大的模型。 BIC信息准则选择BIC最大的模型。
80221发布于 2020-07-17 - 来自专栏IT知识进阶学习
干货|MySQL增、删、改查性能优化的10个小技巧
前言 上一篇介绍了4种进行MySQL性能优化排查的小技巧，本篇就通过从增、删、改、查的语法中如何进行优化，帮助大家更好理解MySQL语法，进行性能优化。 性能优化技巧 学习完如何使用调优工具定位需要优化的SQL后，下面就来认识SQL的增、删、查、改进行优化技巧吧。 页合并： 注意： 在InnoDB中，当删除一个记录时，实际上记录并没有被物理删除，知识记录被标记(flaged)为删除，并且它的空间变得允许被其他记录声明使用。 满足业务需求情况下，尽量降低主键的长度(因为二级索引叶子节点存储的是主键值，主键值越长，占用的空间越大，在搜索时需要耗费磁盘IO的次数就越多) 插入数据时，尽量顺序插入，选择使用AUTO_INCREMENT自增主键
2.4K10编辑于 2022-09-13 - 来自专栏一飞开源
一款可对接大模型的智能问答知识库，强大灵活的组织权限管理
一、开源项目简介 科亿知识库 KYKMS 可对接大模型的智能问答知识库，支持Deepseek。基于Elasticsearch的全文搜索功能，实现常见文件管理。 强大灵活的组织权限管理+精准的全文检索/多维检索+文件在线预览+版本控制与回滚+手机端支持+钉钉/企业微信集成+丰富的扩展接口+第三方集成/知识推送+多种知识分享沟通方式。 大模型能力加持，结合本地知识库，打造最懂您的知识智能管家，让大模型帮您对知识进行分类、标签、摘要，并且通过智能问答获得精准、扼要的本地知识库信息。 支持本地化部署的大语言模型（典型：ollama），亦支持扩展对接第三方主流的大模型，如chat-GPT、通义千问、智普、文心一言等。 灵活的知识权限管理机制，只有你想不到的，没有支持不了的。 基于强大的 Elasticsearch 检索引擎技术构建，检索能力强大，支持最全面的检索特性，可以无限可能的集群扩展，支持高达百亿级别的数量。
73310编辑于 2025-11-30 - 来自专栏生信小驿站
R语言meta分析（10）功能强大的metafor
此外，Metafor 程序包是R 软件Meta 分析程序包中唯一可以进行混合效应模型（包括单 个、多个分类或连续性变量）拟合运算的程序包， 还可以检验模型系数并获得可信区间，以及对参数 进行精确检验如置换检验
4.4K50发布于 2020-08-28 成本暴降90%的秘密：DeepSeek+RAGGraphRAG全解析，尽在灯塔书《知识增强大模型》
一、大模型的困境与破局：从“幻觉”到“知识增强”DeepSeek等大模型虽表现卓越，但其“幻觉”问题（生成与事实不符的内容）和知识更新滞后性，严重限制了其在金融、医疗、工业、制造、电信、能源等严肃场景的应用 解决这些问题的关键在于“知识增强”技术：通过检索增强生成（RAG）和知识图谱的结合，将大模型的生成能力与结构化知识库的动态更新能力相融合。 DeepSeek采用的MoE（混合专家）架构，允许小企业以低成本使用模型。研究显示，DeepSeek的推理成本仅为同类模型的10%，为中小企业提供了普惠化AI能力，也引爆了大模型落地应用的需求。2. RAG技术的“四两拨千斤”RAG通过外部知识库（如向量数据库、知识图谱）增强大模型，解决其知识静态化的短板。 “灯塔书”《知识增强大模型》以“知识增强”为核心方法论，结合国产大模型DeepSeek的突破性技术，揭示了如何通过RAG与知识图谱技术实现成本暴降90%的行业革命。
2.6K20编辑于 2025-04-18- 来自专栏量子位
国产百亿大模型再增一员！400亿参数孟子GPT发布，各项任务平均提升10-15%
刚刚，国产大模型明星选手孟子GPT上新！ 400亿参数通用大模型正式发布，已开启邀测。 数据显示，孟子GPT-40B版本全面领先7B版本，大约提升10-15个百分点。 自21年成立以来，澜舟科技先后发布孟子系列模型、MChat以及多个垂直领域模型，并拿下数亿元融资。 这次发布是孟子GPT上新。 除了基础大模型以外，澜舟科技还同步上线了行业大模型，以及基于大模型的产品应用。 分别是： 基于孟子GPT打造的金融大模型 基于孟子GPT打造的会议内容分析平台“澜舟智会” 基于这三方面上新，澜舟科技也表示，未来将全面拥抱MaaS服务，提供基础模型、大模型训练框架/工具包等服务。 澜舟科技成立以来，主打加速AI落地，在轻量化大模型、垂直领域大模型上都做了颇多探索。 据介绍，除了孟子大模型外，目前澜舟科技已经开源了20个左右大模型。
43120编辑于 2023-09-08 - 来自专栏前端干货和生活感悟
前端小知识10点（2019.6.25）
前言： 这里记录我工作、学习中值得注意的小知识点，希望对你有所帮助。 10、js禁止excel格式转化（重要！）
79620发布于 2019-09-05 - 来自专栏前端干货和生活感悟
前端小知识10点(2020.9.13)
(0, 2)); // [1, 2] console.log(arr) // [3, 4, 5, 6] 9、git删除远程分支 git push origin --delete <branch> 10
69121发布于 2020-09-18 - 来自专栏前端干货和生活感悟
前端小知识10点（2019.9.29）
注意： 需要设置一个 flag 保存在 localStroage 中，作为页面滚动的tirgger 如果是跨域的话，可以通过router，判断前一个 router 是否是 页面 A 的 router 10
1.3K10发布于 2019-10-08
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