- 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- 来自专栏算法工程师的学习日志
常见8个知识模型（有个朋友分享的）
大学毕业后，总感觉学习东西没以前在学校的时候有效率，这不有个朋友就给了这个资料，朋友说这是知识模型，我也不知道对不对，感觉就是怎么高效学习的方法论东西，感兴趣的朋友看一看 1、费曼技巧 模型介绍 号称 何时用 当你想要彻底掌握某种新知识时，可采用费曼技巧进行练习 PS：高中老师也推荐过这个方法 2、刻意练习 模型介绍 刻意练习是一种提升技能和能力的有效训练方法，由安德斯艾力克森在《刻意练习》一书中提出 3、RIA阅读法 模型介绍 出自赵周的《这样读书就够了》，其核心是把书里的知识进行拆解，达到学以致用的目的。 对个人学习者，RIA=阅读原文+重述原文+AI(联系经验)+A2规划运用。 4、二八定律 模型介绍 巴莱多定律(也叫二八定律)是19世纪末20世纪初意大利经济学家巴莱多发现的。 8、SWOT分析 模型介绍 来自麦肯锡咨询公司，是一种战略分析工具。个人也可以使用SWOT模板，分析自身的优势劣势及外部环境的机会和威胁，以便找到行动方向。
61830编辑于 2022-07-27 - 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。 pos,arrowstyle='->',arrowsize=20)nx.draw_networkx_edge_labels(G,pos,edge_labels=edge_labels,font_size=8)
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。 pos,arrowstyle='->',arrowsize=20)nx.draw_networkx_edge_labels(G,pos,edge_labels=edge_labels,font_size=8)
18100编辑于 2026-03-10 - 来自专栏有点技术
K8Dash - 强大的k8s dashboard
K8Dash是管理Kubernetes集群的最简单方法。为什么？ 并运行（不严重） 依赖 运行中的k8s集群 安装metric-server(可以查看历史文章) k8s集群为OpenId配置连接认证 安装 部署 # 很久没更新了高版本需要改一下deployment的版本 确保pod和svc状态正常 kubectl get -n kube-system deploy/k8dash svc/k8dash NAME READY -12sHIS08l2dXZEsv1zr8r_mWK56u7LHAnpEKeW8HtVZ-8VMpbYAyQdYBn_rqOpa81E0Gi7JsGTKCKuHJ4UB8fx6zGS4O397Pcn9iKxtQKjEo0JhnIfhDuZUC4yl0Fren60csBpHsGbUs6uSTH1n7BFL1Xk_Slzym9hZVnrrdyWlBXnHPo8xt7GvvbL7hMKJZ23Fk9HqNejjxcEUQMliMi25 访问k8dash ?
1K10发布于 2020-07-13 - 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 - 来自专栏开源部署
MySQL 8 新特性之自增主键的持久化
自增主键没有持久化是个比较早的bug，这点从其在官方bug网站的id号也可看出（https://bugs.MySQL.com/bug.php?id=199）。 这就是自增主键没有持久化的bug。究其原因，在于自增主键的分配，是由InnoDB数据字典内部一个计数器来决定的，而该计数器只在内存中维护，并不会持久化到磁盘中。 id=6204 因自增主键没有持久化而出现问题的常见场景： 1. 业务将自增主键作为业务主键，同时，业务上又要求主键不能重复。 2. 数据会被归档。在归档的过程中有可能会产生主键冲突。 所以，强烈建议不要使用自增主键作为业务主键。刨除这两个场景，其实，自增主键没有持久化的问题并不是很大，远没有想象中的”臭名昭著“。 最后，给出一个归档场景下的解决方案， 创建一个存储过程，根据table2（归档表）自增主键的最大值来初始化table1（在线表）。
89010编辑于 2022-08-16 - 来自专栏Python 知识大全
适合 Python 入门的 8 款强大工具！
该工具主要用于处理分类、回归、聚类、模型选择以及预处理等任务。scikit-Learn最出色的功能是在测试数据集上执行基准测试时，表现出的惊人速度。 此外，Beautiful soup还可以自动将传入文档转换为Unicode，并将传出文档转换为UTF-8。它是最优秀的Web抓取工具，可以节省大量时间。 原文链接：https://www.codeavail.com/blog/top-8-python-tools-for-programmers-and-students/
1.1K40发布于 2020-08-07 - 来自专栏屈定‘s Blog
Java8 Lambda（三）-强大的collect操作
collect应该说是Stream中最强大的终端操作了,使用其几乎能得到你想要的任意数据的聚合,下面好好分析该工具的用法. ---- 在Stream接口中有如下两个方法 <R> R collect( x.getType(), value); }, HashMap::putAll ); Collector高级调用 Collector接口是使得collect操作强大的终极武器
3.1K20发布于 2018-09-27 - 来自专栏mysql
mysql基础知识（8）
描述MySQL的线程模型及其优缺点 MySQL的线程模型主要基于事件驱动的多线程架构。每个客户端连接都会创建一个独立的线程来处理请求，这些线程由线程池管理。
35411编辑于 2025-03-05 Q1净利暴增71%，应用材料股价大涨8%！
从各主要业务部门的表现来看： 半导体系统业务部门：第一季营收为51.41亿美元，同比下滑8%。 值得注意的是，自2026会计年度第一季起，应用材料管理层将8英寸晶圆设备业务从全球支持服务转移至半导体系统业务部门。在营收占比方面，晶圆代工、逻辑及其他业务占62%。
27410编辑于 2026-03-19- 来自专栏Python与算法之美
8，模型的训练
根据问题特点选择适当的估计器estimater模型： 分类(SVC,KNN,LR,NaiveBayes,...) 回归(Lasso,ElasticNet,SVR,...) 一，分类模型的训练 ? ? ? ? ? ? ? ? ? 二，回归模型的训练 ? ? ? ? ? ? ? ? 三，聚类模型的训练 KMeans算法的基本思想如下： 随机选择K个点作为初始质心 While 簇发生变化或小于最大迭代次数： 将每个点指派到最近的质心，形成K个簇 重新计算每个簇的质心 ? 四，降维模型的训练 PCA主成分分析(Principal Components Analysis)是最常使用的降维算法，其基本思想如下： 将原先的n个特征用数目更少的m个特征取代，新特征是旧特征的线性组合 可以结合FeatureUnion 和 Pipeline 来创造出更加复杂的模型。 ?
84131发布于 2020-07-17 - 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 - 来自专栏北京马哥教育
8 款强大工具适合 Python 入门的你
该工具主要用于处理分类、回归、聚类、模型选择以及预处理等任务。scikit-Learn最出色的功能是在测试数据集上执行基准测试时，表现出的惊人速度。 此外，Beautiful soap还可以自动将传入文档转换为Unicode，并将传出文档转换为UTF-8。它是最优秀的Web抓取工具，可以节省大量时间。
1.6K11发布于 2020-08-03 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 2025-04-18k8s 知识总结
，一台命名 k8s-node1设置虚拟机 IP 地址，两台与宿主在同一网段，如192.168.3.80（k8s-master）192.168.3.81（k8s-node1）设置 root 密码安装完成后重启虚拟机虚拟机系统配置 k8s-dashboard-account.yamlvi k8s-dashboard-account.yaml# 修改为后面 yaml 内容# 创建账户和绑定角色kubectl apply -f k8s-dashboard-account.yaml 网络模型K8S 的网络原则：提供简单一致的网络视图和使用体验，屏蔽宿主机环境和网络拓扑的复杂度。K8S 的网络特征：每个 Pod 有一个独立 IP。 K8S 网络模型的实现要求：Pod 与任意节点的 Pod 通信无需 NAT。Node 与 Pod 相互通信无需 NAT。 K8S 网络模型的实现原理：Pod 内容器共享同个网络命名空间，通过回环虚拟网卡访问内部容器。相同 Node 的 Pod 之间通过 cni0 网桥进行通信。
92210编辑于 2024-01-22- 来自专栏Linux驱动
8.ffmpeg-基础常用知识
1.封装格式 MPEG-4 其中 MPEG-1 和 MPEG-2 是采用相同原理为基础的预测编码、变换编码、 熵编码及运动补偿等第一代数据压缩编码技术； MPEG-4（ISO/IEC 14496）则是基于第二代压缩编码技术制定的国际标准，它以视听媒体对象为基本单元，采用基于内容的压缩编码，实现数字视音频、图形合成应用及交互式多媒体的集成。 MPEG 系列标准对 VCD、 DVD 等视听消费电子及数字电视和高清晰度电视（DTV&&HDTV）、 多媒体通信等信息产业的发展产生了巨大而深远的影响. AVI AVI，音频视频交错(Audio Video Interleaved)的英文缩写。 AVI 格式调用方便、图像质量好，压缩标准可任意选择，是应用最广泛、也是应用时间最长的格式之一。 FLV FLV 是 FLASH VIDEO 的简称， FLV 流媒体格式是一种新的视频格式。由于它形成的文件极小、加载速度极快，使得网络观看视频文件成为可能，它的出现有效地解决了视频文件导入 Flash 后，使导出的 SWF 文件体积庞大，不能在网络上很好的使用等缺点。
83650发布于 2020-09-14 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
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