- 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- 来自专栏用户10025783的专栏
深入理解C11C++11内存模型(白嫖新知识~)
什么是内存模型？ 到底什么是内存模型呢？看到有两种不同的观点： A：内存模型是从来描述编程语言在支持多线程编程中对共享内存访问的顺序。 个人认为，内存模型表达为“内存顺序模型”可能更加贴切一点。 2011年发布的C11/C++11 ISO Standard为我们带来了memory order的支持， 引用C++11里的一段描述： The memory model means that C++ code 真棒，简直不要太优秀~ C11/C++11使用memory order来描述memory model， 而用来联系memory order的是atomic变量， atomic操作可以用load()和release C11/C++11内存模型 C/C++11标准中提供了6种memory order，来描述内存模型[6]: enum memory_order { memory_order_relaxed,
72921编辑于 2022-09-23 - 来自专栏全栈程序员必看
11条javascript知识
location.href; //等同 with(location) { var qs=search.subString(1); var hostName=hostname; var url=href; } 11
34410编辑于 2022-07-15 - 来自专栏前端干货和生活感悟
前端小知识11点
,'2019-02-01','month') //["2018-05", "2018-06", "2018-07", "2018-08", "2018-09", "2018-10", "2018-11 ", "2018-12", "2019-01", "2019-02"] 3、moment.js当日期为周日时，获取所在周的周日，出现的bug let date='2019-08-11' //获取该日期所在的周几 = moment(date) .week(+end_weeknumber) .isoWeekday(7) .format('YYYY-MM-DD') //'2019-08-11 ' 特别特别需要注意的就是，当所选日期是周日的时候，获取所在的周数是需要加 1 的 配合 前端小知识10点(2019.9.29) 的第一点使用： 完美版： let date='2019-08-11' window.setTimeout(()=>{ //do something //... },100) }, 这个知识在自己的项目里还是挺有用的
1.3K30发布于 2019-12-16 - 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。 纵观以上讨论，知识图谱作为一种将现实世界知识结构化表示的方法，逐渐成为数据密集型应用的重要支撑技术。
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。 纵观以上讨论，知识图谱作为一种将现实世界知识结构化表示的方法，逐渐成为数据密集型应用的重要支撑技术。
18000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 - 来自专栏学习
MySQL【知识改变命运】11
⼦查询是把⼀个SELECT语句的结果当做别⼀个SELECT语句的条件，也叫嵌套查询
40710编辑于 2024-10-23 - 来自专栏ClearSeve
C++11内存模型
最近看了极客时间——《现代C++实战三十讲》中的内存模型与Atomic一节，感觉对C++的内存模型理解还不是很清楚，看了后面的参考文献以及看了一些好的博客，算是基本了解了，根据参考文献整合一下。 Thread-1: Thread-2: x = 100; // A std::cout << x; // B C++11 C++11的内存模型共有6种，分四类。其中一致性的减弱会伴随着性能的增强。 参考链接 【1】C++11中的内存模型上篇 – 内存模型基础 【2】C++11中的内存模型下篇 – C++11支持的几种内存模型 【3】理解 C++ 的 Memory Order 【4】如何理解 C++ 11 的六种 memory order 【5】《现代C++实战三十讲》中的内存模型与Atomic
1K30编辑于 2022-02-11 - 来自专栏全栈者
11 个 CSS 知识搭配 11 个 JS 特性 （实用合集）
前言 这篇文章我会介绍 11 在开发过程中经常遇到的 CSS 相关知识点，以及 11 个有趣亦实用的 JavaScript 特性。 这些都是我在日常开发中总结而来，想必于你也是有或多或少的帮助。 11 个常见的 CSS 知识点 声明，这里也包含了部分 CSS 预处理器知识，愿各位不要纠结于此。 两个选择器的区别 ~选择器：查找某个元素后面的所有兄弟元素 +选择器：查找某个元素后面紧邻的兄弟元素 11. 11 个有趣实用的 JS 特性 在日常开发中总是和各种 API 打交道，我们名为前端工程师实为 API 调用工程师。这里分享 11 个实用又有趣的 JS 特性，使用得当可以提高你应用的友好性。 1. obj.offsetParent; } if(direction === 'left'){ return offsetL; }else { return offsetT; }} 11
1.2K30发布于 2019-10-16 - 来自专栏LINUX阅码场
深入理解C11C++11内存模型
个人认为，内存模型表达为“内存顺序模型”可能更加贴切一点。 2011年发布的C11/C++11 ISO Standard为我们带来了memory order的支持， 引用C++11里的一段描述： The memory model means that C++ code C11/C++11使用memory order来描述memory model， 而用来联系memory order的是atomic变量， atomic操作可以用load()和release()语义来描述 C11/C++11内存模型 C/C++11标准中提供了6种memory order，来描述内存模型[6]: enum memory_order { memory_order_relaxed, - Frank Birbacher [ACCU 2017] C++11中的内存模型下篇 - C++11支持的几种内存模型 memory ordering, Gavin's blog c++11 内存模型解读
3K30发布于 2020-06-04 - 来自专栏基础知识文章
C++11知识点总结（全面解析C++11经常考到的知识点）
C++11简介 相比于C++98/03，C++11则带来了数量可观的变化，其中包含了约140个新特性，以及对C++03标准中约600个缺陷的修正，这使得C++11更像是从C++98/03中孕育出的一种新语言 相比较而言，C++11能更好地用于系统开发和库开发、语法更加泛华和简单化、更加稳定和安全，不仅功能更强大，而且能提升程序员的开发效率。 2. C++11中右值引用：只能引用右值，一般情况不能直接引用左值。 因此C++11中引入了原子操作。所谓原子操作：即不可被中断的一个或一系列操作，C++11引入的原子操作类型，使得线程间数据的同步变得非常高效。 ? 11.5.1 Mutex的种类 在C++11中，Mutex总共包了四个互斥量的种类： 1. std::mutex C++11提供的最基本的互斥量，该类的对象之间不能拷贝，也不能进行移动。
2.5K10发布于 2020-08-27 - 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 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 例如，在回答历史人物关系时，大模型可能因依赖过时数据而给出错误答案，而知识图谱则可通过结构化数据确保准确性。 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。 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- 来自专栏冰河技术
《MySQL核心知识》第11章：视图
大家好，我是冰河~~ 今天是《MySQL核心知识》专栏的第11章，今天为大家系统的讲讲MySQL中的视图，希望通过本章节的学习，小伙伴们能够举一反三，彻底掌握MySQL中的视图知识。
65520编辑于 2022-12-01 Gemma 3：单卡运行的强大开源模型
单GPU或TPU上运行的超强模型：Gemma 3Gemma 开源模型家族致力于让实用的AI技术更易获取。 Gemma 3 是一系列轻量级、最先进的开源模型，基于与 Gemini 2.0 模型相同的研究和技术构建。这些模型专为快速运行而设计，可直接部署在从手机、笔记本电脑到工作站的设备上。 Gemma 3 提供多种尺寸（1B、4B、12B 和 27B），可根据特定硬件和性能需求选择最佳模型。开发者可用的新能力世界最佳单加速器模型：Gemma 3 在其尺寸级别提供了最先进的性能。 量化模型实现高性能：Gemma 3 引入了官方量化版本，在保持高精度的同时减小了模型尺寸和计算需求。 定制与构建：从 Hugging Face、Ollama 或 Kaggle 下载模型。使用 Hugging Face Transformers 库或首选开发环境轻松微调和适配模型。
20410编辑于 2026-05-05- 来自专栏自然语言处理(NLP)论文速递
ACL 2024 | 构建超关系知识图谱（KG），增强大模型多跳Multi-hop QA问答能力！
当前的大模型可以看作是一个强大的工具，可以应用于各种NLP任务。然而，尽管 LLM 实力雄厚，但当其面临多跳QA任务时，往往会力不从心。 为了解决该问题，有研究人员提出了StructQA，旨在从原始文本中提取 KG 三元组形式的结构化知识，并将其与 Chain-ofThought (CoT) 推理相结合。 「然后」，通过从查询中识别命名实体并使用它们进行广度优先搜索，利用大型语言模型直接从原始文本生成三元组。进一步将这些三元组增强为包含源文档标题的超关系四元组，为模型提供必要的上下文信息。 最后通过修剪过程，使用查询对齐的图架构来精炼超关系知识图，以提取最相关的组成部分，从而提高大型语言模型在生成答案时的效率和有效性。 「最后」，将修剪后的超关系知识图谱中的每个超三元组转换为自然语言句子，并通过特定的符号连接成长句子。然后，根据与知识架构的相似度得分，将句子按降序排列形成输入提示，确保与查询最相关的信息最接近查询。
2.6K11编辑于 2024-06-19 - 来自专栏Python进阶之路
告诉我们事实：用知识图谱增强大语言模型以实现事实感知的语言建模
由于其强大的涌现能力，最近的 LLMs 被认为是结构化知识库（如知识图谱）的可能替代方案。 这篇论文综述了知识图谱增强预训练语言模型的研究，详细介绍了现有的知识图谱增强预训练语言模型（KGPLMs）及其应用。 论文探讨了如何通过知识图谱（KGs）增强大语言模型（LLMs），以实现对事实感知的语言建模。 它回顾了现有的研究，提出了知识图谱增强的预训练语言模型（KGPLM），并提出了一种新的模型 —— 知识图谱增强的大语言模型（KGLLM），以提高 LLMs 在生成以知识为基础的内容时的事实推理能力。 提升特定领域的表现：通过引入领域特定的知识图谱，KGLLMs 能够更好地理解和生成特定领域的内容。 改善模型的可解释性：知识图谱的引入有助于解释模型的决策过程，提高模型的可解释性。
95900编辑于 2024-05-24 - 来自专栏JavaBuild888
Java基础知识整理，驼峰规则、流程控制、自增自减
Java基础知识整理，注释、关键字、运算符在这一篇文章中我们总结了包括注释、关键字、运算符的Java基础知识点，今天继续来聊一聊命名规则（驼峰）、流程控制、自增自减。 三、自增自减 在上面for循环的代码示例中我们可以看到很多整数类型的++符号，用以实现循环内部的自增，类似的还有自减--符号，既可以放在整形前也可以放在整形后，区别是：符号在前就先加/减，符号在后就后加
32200编辑于 2024-05-27 - 来自专栏编程创造城市
VB语言基础重要知识点11
本节在上一节调查表的基础上，做一个知识的扩展。我们主要学会如何使用shell命令，同时开启循环的感觉。 界面如下： ?
1.2K10发布于 2019-10-30
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