- 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. 大模型负责基础理解，知识图谱、向量检索和搜索引擎负责结构化知识补充。多模块协同架构如同一个多层次的生态系统，稳健而高效。 2. 架构灵活，覆盖多场景 灵活性是知识增强大语言模型的核心特征。 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”。 大模型图谱构建与应用：支持从自然语言到SQL（NL2SQL）的映射、抽取式构建知识、任务编排及在线效果测试等功能。 应用模块：包括语义搜索、对话问答、可视化交互分析及定制化应用开发。 通过大模型、知识图谱和搜索引擎的协同来实现精准无幻觉的应用。 2. 智能客服 智能客服需要快速理解用户意图并提供准确回答。通过结合向量检索和业务引擎，系统能够从海量的知识库中检索最优解答。
89010编辑于 2024-12-24- 来自专栏深度学习|机器学习|歌声合成|语音合成
tensorflow2系类知识-2：线性模型
文章目录 tensorflow2线性模型 步骤 源代码 tensorflow2线性模型 步骤 使用 tf.keras.datasets 获得数据集并预处理 使用 tf.keras.Model 和 tf.keras.layers 构建模型 构建模型训练流程，使用 tf.keras.losses 计算损失函数，并使用 tf.keras.optimizer 优化模型 构建模型评估流程，使用 tf.keras.metrics 计算评估指标
41520发布于 2021-01-14 - 来自专栏计算机二级C语言
2、指针与自增运算*p++
自增自减运算是经常考容易出错的知识点，加上指针这个令人头疼的，马上有想放弃的冲动。希望看了这篇文章能有所收获。 自增自减运算符语法 自增运算符 ++ 使操作数的值加1,其操作数必须为（可简单地理解为变量）。 ++ 可以置于操作数前面，也可以放在后面，如： ++i; i++; ++i表示，i自增1后再参与其它运算；而i++ 则是i参与运算后，i的值再自增1. 第三个与第二个一样，先移动指针指向a[2]，然后输出6 。 第四，输出6，然后指针减一，指向a[1] 。 第五个，错的就比较多了。大部分同学认为*p++和(*p)++是一样的，其实不然。 根据优先级顺序，自增自减运算符 和 *(地址) 取值运算符优先级相同都是2，但这里注意它们的结合姓，都是右往左。所以*p++与*(p++)是等价的。 来验证下你的答案是否都对了呢？ ?
3K10发布于 2020-02-24 - 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DBA随笔
Innodb锁机制探究(一)---自增锁(2)
// Innodb锁机制探究(一)---自增锁(2) // 之前我们说过一篇关于MySQL的自增锁，但是没有系统的做测试，今天做一点测试，看看效果。 通过上面这张图我们可以看到，当我们在一个事务中进行自增列的insert操作时候，另外一个会话中又进行了插入记录的操作，在这种情况下，会发生2个奇怪的现象： 1、会话1中的自增列好像直接增加了2个值。 2、会话2中的自增列直接从2开始增加。 翻译过来就是：自增锁是一种特殊的表级别锁（table-level lock），专门针对事务插入AUTO_INCREMENT类型的列。 2、对于常规的insert操作，可以使用参数innodb_autoinc_lock_mode来控制是否使用表级别的锁，如果该参数是0，则使用表级别的auto_inc 锁，如果该参数是1，则使用互斥自增长机制实现主键的自增
1.9K20发布于 2019-11-19 - 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 - 来自专栏山行AI
Recognize_Anything-Tag2Text——一款强大的图像标签模型和Tag2Text
前言 官方 PyTorch 实现了Recognize Anything 模型（RAM）[1]和Tag2Text 模型[2]。 •RAM 是一款强大的图像标签模型，能够以高准确度识别任何常见类别。 当与Grounded-SAM模型（Grounded-SAM[3]）结合使用时，Tag2Text 和 RAM 构成了一个强大且通用的视觉语义分析流程。 : Code for the Recognize Anything Model and Tag2Text Model[4] label Recognize Anything：一款强大的图像标签模型和Tag2Text •RAM 是一款强大的图像标签模型，能够以高准确度识别任何常见类别。•Tag2Text 是一种高效且可控的视觉-语言模型，通过标签引导生成文本描述。 当与Grounded-SAM模型（Grounded-SAM[7]）结合使用时，Tag2Text 和 RAM 构成了一个强大且通用的视觉语义分析流程。
2.9K21编辑于 2023-06-14 - 来自专栏技术杂货店
剑指OfferV2(增) -- 礼物的最大价值
github.com/Damaer/CodeSolution 文档地址：https://damaer.github.io/CodeSolution/ 刷题仓库介绍：刷题仓库：CodeSolution 编程知识库 ：https://github.com/Damaer/Coding 文档地址：https://damaer.github.io/Coding/#/ 剑指OfferV1 系列已经完成，补增 V2 题目以及 如输入这样的一个二维数组， [ [1,3,1], [1,5,1], [4,2,1] ] 那么路径 1→3→5→2→1 可以拿到最多价值的礼物，价值为12 示例1 输入：[[1,3,1],[1,5,1] ,[4,2,1]] 返回值：12 2思路 & 解答 这道题其实一看就知道是动态规划，棋盘中的每个小格子，都是和上方，或者左方的格子有关。
33020编辑于 2022-02-15 - 来自专栏纯洁的微笑
2个月，暴增1亿用户！全网刷屏！
2个月的时间平台活跃用户超过一个亿，这也许是互联网最快破亿的产品了吧。 当然它的影响力还不仅仅是互联网领域的人，知乎热榜天天都有2-3个人在讨论，它有没有又革了谁的命。 现在几乎各行各业都在讨论 ChatGPT ，以至于你要不懂一点 ChatGPT 的知识都没办法和人聊天了。 2 人工智能 人工智能AI，概念已经提出了很多年了。 但一直磕磕碰碰没出什么革命性的产品，甚至人们一度称人工智能为人工智障。 从西安到北京，用了10年时间，将自己的工资涨了20倍；北漂后利用6年业余时间，将副业收入超过主业2倍，2019年成为自由职业者。
64530编辑于 2023-02-24 Hibernate知识辅导（2--2）
2，外键引用，也就是一方引用另一方的主键，作为外键，并且对引用的外键加唯一约束。 以User和Address类为例，用户和用户的地址是一对一关系 User类 package alan.hbn.rel.o2o; import java.io.Serializable; public class = null){ address.setUser(this); } } } Address类 package alan.hbn.rel.o2o; import
16010编辑于 2025-10-14Struts知识辅导（2--2）
2，尽量使各模块间的耦合性降低，最大限度的针对接口编程。 3，可以将共代码方在覆盖父类的方法中，最后可以用super.xxx(xxx)来调用父类的方法，使用父类的实现，并加上了自定义的功能。
18810编辑于 2025-10-14- 来自专栏技术杂货店
剑指OfferV2(增) -- n个骰子的点数
github.com/Damaer/CodeSolution 文档地址：https://damaer.github.io/CodeSolution/ 刷题仓库介绍：刷题仓库：CodeSolution 编程知识库 ：https://github.com/Damaer/Coding 文档地址：https://damaer.github.io/Coding/#/ 剑指OfferV1 系列已经完成，补增 V2 题目以及 示例1 输入: 1 输出: [0.16667,0.16667,0.16667,0.16667,0.16667,0.16667] 示例2 输入: 2 输出: [0.02778,0.05556,0.08333,0.11111,0.13889,0.16667,0.13889,0.11111,0.08333,0.05556,0.02778 其实，这道题可以用动态规划来处理， 1 个骰子的情况是已知的，而 2 个骰子的情况呢？2 个骰子的情况，可以使用 1 个骰子的情况推出， 3 个骰子的情况，可以使用 2 个骰子的结果推出... x-2,概率为 f(n-1,x-2) 如果第 n 个骰子扔出的是 3，那么剩下的 n-1 个骰子扔出的应该是 x-3,概率为 f(n-1,x-3) 如果第 n 个骰子扔出的是 4，那么剩下的 n-1
76910编辑于 2022-02-15 - 来自专栏Android补给站
【ViewPager2避坑系列】瞬间暴增数个Fragment
调试android-viewpager2 https://github.com/googlesamples/android-viewpager2 今天遇到一个奇葩的问题，捉摸了半天最终找到原因，原来是Demo 中布局的问题，事后感觉有必要分享一下这个过程，一来可以巩固View测量的知识，二来希望大家能避开这个坑 代码基于android-viewpager2，看官老爷最好能下载源码亲身体会 2 入坑现场 为了观察 由于Log太长，一屏根本截不完，反正就是很多个Fragment经历了onCreate->onDestory的所有过程； 操作前，只有Fragment2创建并显示，理论上旋转屏幕之后，只有Fragment2 3 初步原因MATCH_PARENT计算失效 ViewPager2目前只支持ItemView的布局参数是MATCH_PARENT，就是填充父布局的效果；由于ViewPager2是基于RecyclerView 6 总结 注意ViewPager2配合Fragment使用时，一旦发现Fragment瞬间暴增的情况，可能是Item尺寸测量的不对，造成这个原因要优先想到UNSPECIFIED，·如果用的LinearLayout
8.1K30发布于 2019-07-30 - 来自专栏微信模式识别中心技术分享
“变形金刚”为何强大：从模型到代码全面解析Google Tensor2Tensor系统
作者是腾讯微信模式识别中心高级研究员张金超博士 导语： Google Tensor2Tensor系统是一套十分强大的深度学习系统，在多个任务上的表现非常抢眼。 我们期望的是模型既能够很好的学习到短距离的依赖知识，也能够学习到长距离依赖的知识。 那么，为什么Transformer中的self-attention理论上能够更好的捕获这种长短距离的依赖知识呢？ 图4.png 综上，self-attention机制在建模序列问题时，能够捕获长距离依赖知识，具有更好的理论基础。 2.4.5 本章小结 Transformer系统的强大表现，不仅仅是self-attention机制，还需要上述的一系列配合使用的策略。
8.6K111发布于 2018-06-28 - 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
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。 性能优秀，最低配置：2核4G即可运行，典型配置：4核8G。
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 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- 来自专栏指点的专栏
开篇：预备知识---2
本文链接：https://blog.csdn.net/Hacker_ZhiDian/article/details/103058927 前言 在前一篇文章中我们大致介绍了 C语言的一些预备知识， 对其中的某些常用知识点进行了一个概述。 这篇文章中我们来通过实践的形式来加深对之前知识点的理解。 程序的编译过程 我们在上篇文章中提到 C语言编译器将一个源程序编译成可执行程序大致需要经过预处理、编译、汇编、链接这四个过程。 即可 #include "custom2.h" int main() { int maxValue = maxx(1, 2, 3); int minValue = minn(1, 2 custom1.o: gcc -c custom1.c -o custom1.o custom2.o: gcc -c custom2.c -o custom2.o 最后我们在 make-test
1.1K20发布于 2019-11-14 Gradle小知识2
因为它本来这就不是原生物种，它是一个强大的外挂宿主：当系统接驳了Android插件之后。它向全局环境外强行注入了一个android(Closure)扩展函数接口。
14410编辑于 2026-04-27Gemma 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。 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。 ShieldGemma 2 内置图像安全功能ShieldGemma 2 是一个基于 Gemma 3 构建的 4B 参数图像安全检测器。它输出三个安全类别（危险内容、色情内容和暴力内容）的安全标签。 与现有工具无缝集成Gemma 3 和 ShieldGemma 2 可无缝集成到现有工作流：支持 Hugging Face Transformers、Ollama、JAX、Keras、PyTorch、Google
20410编辑于 2026-05-05
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