- 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- 来自专栏哆哆Excel
Thinkphp6学习（5）模型知识总结（一）
Thinkphp6学习（5）模型知识总结（一） 一、创建模型： 一个模型对应一个数据表，规则：驼峰式的 如：下表 图片 1、单项目模型创建 第一步：创建一个跟控制器平级的目录，目录名：model 第二步 ：在 model 创建 Tp6Student.php 文件 2、多项目模型创建 第一步：在 index 项目中创建目录，目录名：model 第二步：在 model 创建 Admins.php 文件 二 、模型的设置 Model示例 <? allowField([‘id’,‘name’])->save(); （3）replace()方法可以用于实现REPLACE into 新增 (4)saveAll()方法，可以批量新增数据，返回批量新增的数组 （5） ◆5.此时,可以后使用 isempty()方法来判断,是否为空模 型Suser Usermodel: findorempty(1111)if (suser->isempty())techo'空模型,无数据
1.9K30编辑于 2022-10-25 史上最强大模型 GPT-5：已具备博士级专家水平
史上最强大模型 GPT-5 已于8月8日凌晨正式发布，这一代模型无论在智力水平、推理效率、安全防护还是订阅体系上都领先前代一个维度。 这不仅是可视化的知识输出，更是个性化、具备教学辅助价值的模拟系统。在正经的科研场景中，GPT-5 表现得也像一位“跨学科博士后”。 接下来，最值得关注的并非模型本身的分数，而是——谁能在安全前提下，把 GPT-5 的深度推理真正融入科研流程。 不是单个模型，而是一整个系统GPT‑5 最大的升级，不在于参数量的堆叠，而在于架构的彻底变化：它从一个模型，变成了一个多个子模型协作的系统。 快速体验 GPT-5Xroute.ai，快速接入 GPT-5，即刻享用！还有更多大模型可以使用~写在最后GPT-5的发布标志着人工智能技术又一次重大突破。
41210编辑于 2025-08-11- 来自专栏HTML5学堂
移动端H5知识 - “百变”盒模型
HTML5学堂：移动端从2012年走到今日，已经占领了互联网的半壁江山。网站开发也从PC平台向移动端平台开发发展。作为一个优秀的前端开发者，除了能够处理传统平台的网站，还需要能够处理移动端的网页。 第4步——“百变”盒模型。 “百变”盒模型 学过HTML和CSS的同学都知道，盒模型是由width、height、border、padding、margin这几个属性共同组成的。 一个元素在网页文档中占据的真正空间是盒模型的大小，而非简简单单width和height的值。在使用百分比进行移动端开发时，盒模型存在一定的问题。 这样算下来，一个p元素盒模型的大小为127px*307px，明显超出了我们128px*240px的预期大小。 欢迎沟通交流~HTML5学堂 纵向排版 在此扩展讲解一下纵向排版的问题。 doctype html> <html> <head> <meta charset="UTF-8"> <title>H5course</title> <link rel="stylesheet" href
99960发布于 2018-03-12 - 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。
18100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 - 来自专栏机器学习与统计学
世界上最强大的开源模型，GLM-5实测，本地部署，Ollama免费提供云端模型
大模型春晚 2.0 世界上最强大的开源大模型来了 没想到最先来的是 GLM-5，师承 DeepSeek，股价大涨 40% 正如前面推测的一样，它就是 GLM-5 本文只说三件事： 简介 本地部署/压缩 Claude Opus 4.5、Gemini 3 Pro、GPT-5.2 站一起了 Artificial Analysis 的测评数据，GLM-5 是目前世界上最领先的开源模型，分数逼近 Claude /glm-5 3、Ollama 免费云端模型 + 一键配置到 Claude Code、Codex、OpenCode、OpenClaw！ -5:cloud Ollama 命令更新了 Ollama 近期重大更新：图片生成、Claude Code 兼容、一键启动 Agent OpenClaw 免费玩 ，Ollama 提供云模型支持，这可能是目前最简单的安装 、配置教程 GLM-5 绝对是个值得尝试的国产大模型，我后续将在OpenCode中替换掉K2.5，深度感受一下 制作不易，如果这篇文章觉得对你有用，可否点个关注。
6.2K10编辑于 2026-03-02 - 来自专栏奔跑的蛙牛技术博客
并发知识5
锁和条件不能解决线程中的所有问题 账户1：200; 账户2:300; 线程1：从账户1转移300到账户2 线程2: 从账户2转移400到账户1 线程一和线程二都被阻塞了 两个账户的余额都不足以转账，两个线程无法执行下去 这样的状态称为死锁
52420发布于 2018-09-05 - 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 - 来自专栏神光的编程秘籍
让你 React 组件水平暴增的 5 个技巧
总结 这篇文章总结了 ant design 组件源码里的 5 个技巧： 透传 className、style，还有其他 html 标签的 props，让你的组件用起来体验和原生 html 标签一样 通过
1.1K10编辑于 2023-08-29 - 来自专栏悟空聊架构 | 公众号
PHP内核之旅-5.强大的数组
struct _zend_array zend_array; 2 typedef struct _zend_array HashTable; 3 4 struct _zend_array { 5 numeric index) */ 4 zend_string *key; /* string key or NULL for numerics */ 5 0 : (GC_COLLECTABLE << GC_FLAGS_SHIFT)); 5 ht->u.flags = (persistent ? ZVAL_NEW_ARR(arg); 4 _zend_hash_init(Z_ARRVAL_P(arg), size, ZVAL_PTR_DTOR, 0 ZEND_FILE_LINE_RELAY_CC); 5 ((ht)->u.flags & HASH_FLAG_INITIALIZED))) { 5 zend_hash_real_init_ex(ht, packed); 6 }
68520发布于 2018-06-26 - 来自专栏互联网数据官iCDO
5个强大工具助力创业公司
引言：本文基于创业公司的实际使用经验与知识等，推荐了5大工具助力创业公司在无需新增人力的情况下简化团队协作等。 创业公司尤为关注的工具通常来自于以下几个领域： • 数据分析 • 客户关系管理 • 邮件营销 • 着陆页优化 • 团队协作 以下的推荐是基于创业公司的实际使用经验与知识，以及他们对数字解决方案的诉求。
1.7K20发布于 2019-03-07 - 来自专栏JVMGC
推荐5款强大的开源报表工具
关注 Java 项目分享 项目地址： https://gitee.com/luob/reportico 5、项目名称：ECharts 项目简介：ECharts 是一款由百度前端技术部开发的，基于 Javascript
3.6K50编辑于 2023-03-10 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。 适配手机端 H5，支持集成到钉钉、企业微信，支持单点登录与对接第三方系统推送知识。 所有能力、服务均为在本地化部署，无须联网，无须依赖外网的服务，满足企业信息安全要求。
73310编辑于 2025-11-30 - 来自专栏mysql
mysql基础知识（5）
关系型数据库：MySQL使用表格来组织数据，这些表格通过关系（如外键）相互关联，使得数据管理和查询更加灵活和强大。SQL：MySQL使用SQL作为其查询语言，这是一种用于管理和操作数据库的标准语言。
32411编辑于 2024-11-19 - 来自专栏柠檬先生
zepto 基础知识(5)
81.width width() 类型：number width(value) 类型：self width(function(index,oldWidth){....}) 类型：self 获取对象集合中第一个元素的宽，或者设置对象集合中所有元素的宽。 $('#foo').width() //123 $(window).width() //768 $(document).width() //7
92970发布于 2018-01-19 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。 这些方法涉及将知识图谱与文本信息融合，改进模型架构，以及在特定任务上微调模型。 5. 作者如何验证他们的方法？ 论文通过系统地回顾相关研究，并对 KGPLMs 进行分类和详细介绍，来验证提出的方法。
96000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