- 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. 架构应适配不同的行业场景需求，从内容生成到知识问答，从智能搜索到业务推荐。通过模块化设计，用户可以根据场景选择不同的功能组合，从而提升系统的泛化能力与适配性。 3. 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”。 例如，面对一个不完美的提问，模型可以通过计算输入文本与数据库中各个候选项的向量距离，快速找到最相关的信息。这种技术不仅提升了模型的健壮性，还可以支持跨语言搜索等。 3. 3. 金融科技 在金融科技场景中，大语言模型可辅助生成投资报告，解释复杂的金融指标，并通过知识图谱分析公司之间的关联网络，帮助用户做出更明智的决策。 4.
89010编辑于 2024-12-24Gemma 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。 部署与扩展：通过 Vertex AI 大规模部署自定义的 Gemma 3 模型。在 Cloud Run 上使用 Ollama 运行推理。
20410编辑于 2026-05-05Gemma 3：单GPUTPU运行的强大开源模型
Gemma 3：可在单张GPU或TPU上运行的最强模型Gemma开源模型家族是实现让有用AI技术普及化这一承诺的基础。 Gemma 3是一系列轻量级、最先进的开源模型，基于与Gemini 2.0模型相同的研究与技术构建。 开发者可使用的Gemma 3新能力构建全球最佳单加速卡模型：Gemma 3在其规模上提供了最先进的性能，在LMArena排行榜的初步人工偏好评估中，超越了同尺寸级别的其他模型。 量化模型提供更快的高性能：Gemma 3引入官方量化版本，在保持高精度的同时减小模型尺寸和计算需求。 ShieldGemma 2内置图像应用安全与Gemma 3一同发布ShieldGemma 2，这是一个基于Gemma 3构建的强大4B图像安全检查器。
10010编辑于 2026-05-27- 来自专栏技术人生黄勇
M3E 可能是最强大的开源中文嵌入模型
“ 介绍m3e开源中文嵌入模型，在中文的表现上，超过ChatGPT。” 01 — 最近在研究和部署使用 LangChain + LLM(ChatGPT/ChatGLM) 构建企业专有知识库时，接触到两个 embedding （嵌入）模型：text2vec，m3e-base。 感兴趣模型和项目的部署和教程可以看这几篇文章： 教程｜使用免费GPU 资源搭建专属知识库 ChatGLM2-6B + LangChain 工程落地实践｜基于 ChatGLM2-6B + LangChain 搭建专属知识库初步完成 工程落地实践｜国产大模型 ChatGLM2-6B 阿里云上部署成功 例如配置文件中这段： embedding_model_dict = { "text2vec-base M3E的数据集，模型，训练脚本，评测框架都开源。
3.5K10编辑于 2024-07-19 - 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 - 来自专栏量子位
四行代码让大模型上下文暴增3倍，羊驼Mistral都适用
克雷西 发自 凹非寺 量子位 | 公众号 QbitAI 无需微调，只要四行代码就能让大模型窗口长度暴增，最高可增加3倍！ 特别是在一个名为SOLAR的模型上，处理后的模型在16k长度下的表现比原始版本在4k长度下的表现还要优异。 目前，SE的开箱即用版支持Phi、Llama和Mistral三种模型，在这三种模型上只需4行代码就能进行窗口扩增。 对于其他模型，则需要对代码进行一定修改。 那么，SE是如何给模型增加窗口长度的呢？ 而在处理中短长度文本时，仍然使用模型原有的注意力机制，从而确保了模型不会“顾此失彼”，避免因长文本能力的增长导致短文本能力损失。 此外，在Mistral上复现SE的作者还坦言，目前该模型并不完美，可能存在计算量暴增的问题。
49210编辑于 2024-01-11 Hibernate知识辅导（3--3）
public void setManufacturer(String manufacturer){
17910编辑于 2025-10-14- 来自专栏小锋学长生活大爆炸
Python中SQLite3主键自增与简单使用
SQLite3解释可以自行搜索，这里直接上代码了。 仅包含建表、查询、插入三个简单地功能，仅供参考~ 主键自增的关键是：`id` INTEGER PRIMARY KEY，不要有更多的修饰了，如AUTO_INCREMENT，加上反而会不行。 # coding:utf-8 import sqlite3 import time import datetime class DB: def __init__(self): self.Close() # print(self.id) def Start(self, path='sql.db'): self.conn = sqlite3.
1.5K10编辑于 2022-05-09 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- 来自专栏开源技术小栈
3分钟快速构建大语言模型AI知识库
FastGPT FastGPT 是一个基于 LLM 大语言模型的知识库问答系统，提供开箱即用的数据处理、模型调用等能力。同时可以通过 Flow 可视化进行工作流编排，从而实现复杂的问答场景！ WhisperModel": { "model": "whisper-1", "name": "Whisper1", "price": 0 } } 3、 登录成功访问页面如下所示 构建知识库 创建知识库 成功登录后，新建一个知识库，取名开源技术小栈。 https://mp.weixin.qq.com/s/mNhMCzUtLUKrIzqSVa-qZA https://mp.weixin.qq.com/s/n4n-0UCWJW9u2N1ca3HisQ 创建应用 使用知识库必须要创建一个应用 关联知识库 设置了开场白并且选择绑定对应知识库开源技术小栈 点击保存预留后，可以直接在右边调试预览框预览对话进行文档内容测试。
2.1K11编辑于 2023-11-27 - 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 - 来自专栏python3
Java知识：（3）Tomcat
3、Tomcat的目录结构 3.1、Tomcat根目录 ? |-Tomcat根目录 |-bin: 存放tomcat的命令。 DOCTYPE HTML PUBLIC "-//W3C//DTD HTML 4.01 Transitional//EN" "http://www.w3.org/TR/html4/loose.dtd"> 3）在当前web应用下的web.xml文件配置Servlet。 <?xml version="1.0" encoding="UTF-8"? > <web-app version="3.0" xmlns="http://java.sun.com/xml/ns/javaee" xmlns:xsi="http://www.w<em>3</em>.org/2001 xsi:schemaLocation="http://java.sun.com/xml/ns/javaee http://java.sun.com/xml/ns/javaee/web-app_3_
79010发布于 2020-01-08 - 来自专栏指点的专栏
开篇：预备知识-3
转换为小数值为 2^(-2) + 2^(-3) = 3/8。此时得到的 M 值为 1 + f = 11/8。 最后，根据浮点数的计算公式：V = (-1)^s + M * 2^E。 溢出 数学上没有溢出的概念，只有进位的概念，因为在数学上默认可用的数字空间是无限的，是一种理论模型。 (device control 3) 设备控制3 0001 0100 024 20 0x14 DC4 (device control 4) 设备控制4 0001 0101 025 21 0x15 NAK 1011 073 59 0x3B ; 分号 0011 1100 074 60 0x3C < 小于 0011 1101 075 61 0x3D = 等号 0011 1110 076 62 0x3E > 大于 0011 1111 077 63 0x3F ?
1.3K20发布于 2020-01-14 - 来自专栏c++与qt学习
项目知识盲区3
项目知识盲区3 Spring Boot 一个接口多个实现类如何注入 @Mapper 与 @MapperScan 的区别 Spring @Autowired和构造函数的顺序 MySQL之You can't statement (not found) Quartz getRemoteAddr()和getRemoteHost() 区别 SpringBoot整合JWT Mybatis-plus中通用mapper的CRUD（增、 3、还可以使用 @Primary 在指定实现类上标记。 getRemoteAddr()和getRemoteHost() 区别 ---- SpringBoot整合JWT SpringBoot整合JWT ---- Mybatis-plus中通用mapper的CRUD（增、 删、改、查）操作封装BaseMapper和IService（最详细） Mybatis-plus中通用mapper的CRUD（增、删、改、查）操作封装BaseMapper和IService（最详细） --
65720编辑于 2021-12-07 - 来自专栏python3
python3 购物车 增改查终极版~
usr/bin/env/ python 2 # -*- coding:utf-8 -*- 3 # Author: XiaoFeng 4 5 goods = [{"name": "铅笔", "price ": 2}, 6 {"name": "橡皮", "price": 1}, 7 {"name": "尺子", "price": 3}] 8 shopping_car
48310发布于 2020-01-16 - 来自专栏磐创AI技术团队的专栏
扎克伯格发布“史上最强大开源模型”——Llama3，Meta AI 挑战 OpenAI！
AI圈再迎重磅消息，Llama 3王者归来！ 近日，Meta 在官网官宣开源模型Llama-3系列， Llama 3 8B（80亿参数）和70B（700亿参数）两个版本！ Meta 将 Llama 3 称为有史以来最强的开源大模型！除了这两个版本，扎克伯克透露，Llama 3 最大的4050亿参数的模型仍在训练中。 2.更长的文本处理能力：Llama 3 采用了一种新的编码器结构，叫做 Transformer-XL，可以处理更长的文本序列，并提高模型的长期记忆能力。 这使得 Llama 3 可以根据用户的需求生成各种类型的文本，并且可以应用于多种不同的场景。 4.更强大的多模态处理能力：Llama 3 不仅可以处理文本，还可以处理图片、视频等多种模态的数据。 这使得 Llama 3 可以在处理复杂任务时更加灵活和高效。 5.开源性：Llama 3 是一个开源项目，用户可以自由使用、修改和分享它的代码和模型。
52110编辑于 2024-04-28 - 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。 作者指出，尽管大语言模型（如 ChatGPT）在对话和文本生成方面表现出色，但在生成以知识为基础的内容时，它们在回忆事实和应用正确知识方面存在困难。 3. 作者想要解决什么问题？
95900编辑于 2024-05-24
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