- 综合排序
- 最热优先
- 最新优先
- 来自专栏自动化控制技术控
AR（增强现实）的相关知识
概 述 增强现实（Augmented Reality，简称AR），增强现实技术也被称为扩增现实，AR增强现实技术是促使真实世界信息和虚拟世界信息内容之间综合在一起的较新的技术内容，其将原本在现实世界的空间范围中比较难以进行体验的实体信息在电脑等科学技术的基础上 增强现实技术不仅能够有效体现出真实世界的内容，也能够促使虚拟的信息内容显示出来，这些细腻内容相互补充和叠加。 在视觉化的增强现实中，用户需要在头盔显示器的基础上，促使真实世界能够和电脑图形之间重合在一起，在重合之后可以充分看到真实的世界围绕着它。 增强现实技术中主要有多媒体和三维建模以及场景融合等新的技术和手段，增强现实所提供的信息内容和人类能够感知的信息内容之间存在着明显不同。 （2）VR应用在大型活动、舞台剧场、演唱会表演等各种大型现场。将虚拟对象与真实舞台完美叠加，透过大屏幕或投影仪为观众呈现出一个梦幻与现实混合的三维奇观。
2K20发布于 2019-08-12 知识图谱增强大模型应用架构
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。 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。 完善的系统管理为知识增强应用的稳定运行提供了保障。 四、增强方法的关键技术概要 当前增强大模型，为其提供知识的主要方法有知识图谱、向量检索、搜索引擎以及和为特定业务开发业务引擎。 通过知识图谱，模型可以避免生成不准确的信息，提升准确性和可靠性。 2. 向量检索 向量检索技术依赖于将文本、图像或其他类型的数据转换为高维向量，进而在向量空间中进行相似度计算和匹配。 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。
84210编辑于 2024-12-24- 来自专栏DrugOne
NAACL 2025 | 知识增强下的智能体规划
为了解决这一问题，我们提出了KnowAgent，旨在通过利用外部动作知识来增强轨迹合成，缓解其中出现的规划幻觉问题。我们的方法包括几个关键步骤。 二、方法 如图所示，我们的方法首先定义了动作知识这一概念。接着，我们让模型利用这些知识生成规划路径，并通过知识型自我学习机制不断优化这些路径，从而迭代地增强模型能力。 1. 2. 动作知识的注入 图中展示了从动作知识到文本的转换过程。首先，我们通过识别任务特定需求的动作，利用先前的数据集分析和LLMs的内在知识，建立动作知识库。然后将这些信息转化为文本格式，以便后续操作。 结果也验证了动作知识本身的有效性。 对于实验结果，我们进行了以下分析： 1. 动作知识的增强作用：如图所示，在HotpotQA数据集上使用Llama系列模型进行的消融实验证明了动作知识的效果。 这可以归因于动作知识与自我学习之间的良性循环：在动作知识的引导下，模型能够合成高质量的轨迹用于迭代训练，这反过来帮助模型更好地吸收动作知识，合成更优质的轨迹。 2.
30710编辑于 2025-03-31 - 来自专栏JadePeng的技术博客
知识图谱增强的KG-RAG框架
我们找到一篇论文： https://arxiv.org/abs/2311.17330 ，论文的研究人员开发了一种名为知识图谱增强的提示生成（KG-RAG）框架（https://github.com/BaranziniLab SPOKE是一个开放知识图谱，提供数据下载和开放API，整合了超过40个公开可用的生物医学知识源，涵盖了基因、蛋白质、药物、化合物、疾病等概念和概念之间的关系，可以为LLM提供一个强大的医疗领域知识。 Do not report any other entities like Genes, Proteins, Enzymes etc. 2. 实体embedding计算：首先，使用Embedding模型（如'all-MiniLM-L6-v2'）为SPOKE知识图谱中的所有疾病概念节点计算embedding向量 将计算出的疾病embedding The genes KAT2B and SLC25A16 have been associated with drug dependence.
2.4K10编辑于 2024-04-12 - 来自专栏深度学习自然语言处理
【ERNIE】深度剖析知识增强语义表示模型——ERNIE
随着序列任务的发展，到Seq2Seq，接下来出现注意力机制，主要流行的注意力机制有两种，是Luong Attention 和Bahdanau Attention。具体的注意力机制怎么起作用的呢？ 哈尔滨：sub-word 哈##尔##滨 Sub-word :预测可以通过word的 局部信息完成 模型缺乏全局建模信息的能力 针对BERT mask sub-word 任务存在的问题，百度提出基于知识增强的语义理解模型 ERNIE mask word & entity 强迫模型通过全局信息去预测mask掉的内容，学习序列里mask信息里蕴含的知识 ERNIE学到全局的信息，使它能学习到非常先验的结果，已经进行了大量的自然语言处理的分词模型 sentence_level就是句子层次的任务，可以理解为填空题，判断这个词到底是哪一类 哪个词 是敏感词 还是非敏感词，是关键词还是非关键词，另一部分呢就是句子输出cls是a类还是b类是顺序1还是顺序2，
2.3K20发布于 2019-12-23 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
14610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。
16310编辑于 2025-10-14- 来自专栏云云众生s
使用领域特定Jenkins知识增强现有的LLM模型
Google Summer of Code 2024 使用特定领域 Jenkins 知识增强现有 LLM 模型。 该项目将 Jenkins 知识与人工智能相结合，为所有用户提供 Jenkins 专家通常拥有的知识，提供完整的解决方案。 我们授权用户通过流畅的用户界面与这些知识进行交互，而不是到处寻找答案。 阶段 #2：数据预处理和细化 此阶段包括 3 个部分： 第一个是利用另一个大型语言模型来帮助我们从 Jenkins 文档中生成问答对。 JenAI 作为一种系统 深色模式下的 JenAI 登录页 浅色模式下的 JenAI 登录页 JenAI 聊天页面 后续步骤 这个想法可以进一步增强，并且提供了许多方法来实现相同的目标： 使用检索增强生成 知识进行微调时可以胜过 Llama2。
41810编辑于 2024-08-27 - 来自专栏我爱计算机视觉
做更好的“教练”，用对抗训练增强“知识追踪”
举个例子：如下图所示，有一个学生做了1-4四题练习题，其中1、2、4做对了，3做错了，那么自然而然可以看出学生对第三题Linear Equations这个概念比较不熟悉，那以该学生现有的水平去做第5题会有怎么样的表现呢 作者提出了ATKT，通过联合训练原始输入和相应的对抗样本来增强KT模型的泛化能力。为了更好地实现 AT，作者引入了一个高效的attentive-LSTM模型作为KT的主干。 KHS Attention: 可以很容易知道由于不同的知识技能对为解决的题目影响不一样，因此本文使用了一个attention机制来自适应控制每个知识技能对解题的影响。 上图是预测学生在锻炼过程中每一步对各种知识技能的掌握情况，第一行记录学生在每个练习中的表现，每种颜色表示该练习包含的不同知识技能。 中间的热图是学生对一步步知识技能的掌握程度，颜色越深代表掌握程度越高。 上图展示了最初的和最终的知识技能掌握程度，通过这个图，学生可以知道自己掌握了多少知识技能然后进行有针对性的练习。
86820编辑于 2022-03-30 - 来自专栏Lcry个人博客
RAGFlow 开源检索增强 AI 知识库部署教程
使用过 dify 和 fastgpt 的产品大家都知道还有一款增强 RAG 平台 RAGFlow，博主早在 2023 年 AI 盛行的时候就调研过这款产品，现在已经 2025 年，截止目前最新版本已经来到了 介绍 RAGFlow 是一个领先的开源检索增强生成（RAG）引擎，将前沿的 RAG 与代理能力融合，为大型语言模型创建了更优越的上下文层。它提供了一套精简的 RAG 工作流程，适用于任何规模的企业。 检查命令： echo "--- CPU 核心数 ---" && nproc; \ echo "--- 内存总量 ---" && free -h | grep Mem: | awk '{print $2} 数据源也可以根据实际添加，可以使用 S3 协议自建 minio 或者 rustfs 初体验 知识库 创建一个知识库，上传一些文档试试。 聊天 创建一个聊天助手，配置引用知识库，然后进行问答。 搜索 搜索可以选择多个知识库进行检索，支持 AI 总结以及引用原文。
1.1K10编辑于 2026-01-09 - 来自专栏圆圆的算法笔记
ACL 2022 Tutorial解析——知识增强自然语言理解
相比而言，直接从数据库、知识图谱、搜索引擎等引入外部知识进行知识增强，是一种更直接、节省资源的方法。 知识增强也是NLP未来的重要发展方向，由于在NLU这种需要理解、常识性知识的领域，知识增强更加重要。 3 总结 知识增强方法是解决自然语言理解的核心方法，重点在于研究从哪获取知识、如何获取知识以及如何融合知识。 使用知识增强的方法可以帮助模型更直接获取预测需要用到的外部知识，也能缓解需要越来越大的预训练模型提升下游任务效果的问题。 知识增强+预训练语言模型起到互补的作用，知识增强方法可以给模型提供预训练阶段没见过或者忘记的信息，提升预测效果。 END
1.6K30编辑于 2022-09-22 - 来自专栏#大模型热点基础知识
知识图谱如何增强RAG系统？
本文收录于Github：AI-From-Zero项目——一个从零开始系统学习AI的知识库。如果觉得有帮助，欢迎⭐Star支持！什么是GraphRAG？知识图谱如何增强RAG系统？ GraphRAG是一种将知识图谱与检索增强生成相结合的技术方案。 2.医疗智能问答在医疗领域，GraphRAG可以构建疾病-症状-药物的知识网络：应用场景："阿司匹林适用于哪些心血管疾病？" 通常设置2-3跳，避免无限扩展节点数上限：比如限制50个节点，防止子图过大边的优先级：因果关系的边权重高于一般关联关系未来发展趋势：动态图谱构建：当前的GraphRAG主要处理静态知识，未来会向实时更新的动态图谱发展 总结：GraphRAG通过将知识图谱与检索增强生成相结合，实现了从语义检索到关系推理的跨越，让RAG系统具备了理解和推理知识关联的能力。思考：知识的价值不在于它的数量，而在于它的连接。
59410编辑于 2026-03-31 - 来自专栏AI 创作日记
AI 创作日记 | 摆脱知识孤岛的困境，DeepSeek推动四阶知识增强
一、引言 当传统医疗AI还在机械地罗列相似病例时，搭载DeepSeek知识增强引擎的新系统，已经能像资深专家般展开推理："患者血小板骤降，结合近期抗生素使用史，考虑药物性血小板减少症可能性，建议立即检查肝素抗体 这种场景在金融风控、法律咨询等专业领域同样常见——知识碎片化、推理链条断裂、答案可解释性缺失，构成了当前知识增强技术的三大痛点。 本文将揭示从传统向量检索到思维链推理的技术跃迁。 缺乏因果推理：无法串联"视力模糊→眼压升高→青光眼"逻辑链 语境缺失：忽略患者用药史等上下文 2.2 方案对比矩阵 维度 向量检索 知识图谱 DeepSeek增强模式 响应速度 ＜200ms 500ms 四、实施路线图：从0到1构建增强系统 4.1 五步落地法 4.2 阶段1：知识库建设 - 多模态医疗知识融合 prepare_data( format='混合数据', sources= 知识保鲜：当新药上市时自动触发知识库重构。 2、运维看板： 医疗安全指标：药品相互作用漏报率<0.1%。 资源效能：GPU利用率>75%（波动<15%）。
57710编辑于 2025-03-17 - 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
1K20发布于 2019-11-14 - 来自专栏phodal
面向 Workspace 知识增强：AutoDev 领域知识生成、动态项目规则、提示词优化器
提示词优化器：识别领域意图，增强 AI 的理解能力 如何正确地识别用户的意图是一件痛苦的事，特别是，当用户说的是中文，而代码中只有拼写缩写时，主流的 RAG 方式都开始抓瞎。 领域知识生成：降低 AI 的幻觉 知识的管理是 AI 智能体成败的关键之一，当用户的提问过于模糊时，AI 往往会产生幻觉。从自然语言到代码中的转换，往往需要一些领域知识来帮助 AI 理解用户的意图。 因此，我们引入了领域知识生成的能力，用户可以在项目的 prompts/domain.csv 中引入相关的领域知识，来帮助 AI 理解用户的意图。 或者，你也可以直接在 Project 的 Toolbar 中直接点击 AutoDev 的 Generate domain.csv 来生成领域知识。 AutoDev 将会结合 README.md、文件名等信息，为您生成一个领域知识文件。 PS：我们建议用户对该文件进行修改，以修正不正确的 AI 翻译。
28700编辑于 2025-04-11 - 来自专栏IT运维技术圈
推荐一个企业级知识图谱增强的检索增强生成(RAG)的项目
介绍 Microsoft GraphRAG 是一个开源项目，旨在利用 Microsoft Graph 的强大功能构建企业级的知识图谱增强的检索增强生成（RAG）方案。 简单来说，它将企业内部的各种数据源（如邮件、文档、日历、联系人等）通过 Microsoft Graph 连接起来，形成一个结构化的知识图谱，然后利用这个知识图谱来增强 RAG 系统的检索能力，从而提升大语言模型 知识发现： 通过分析知识图谱，系统可以发现企业内部的潜在知识和洞见。 合规性检查： 系统可以自动检查企业内部的信息是否符合合规性要求。 检索增强生成： 将知识图谱与 RAG 技术相结合，提升 LLM 在企业应用中的问答和生成效果。 模块化架构： 架构设计清晰且模块化，易于扩展和定制。 总结 Microsoft GraphRAG 是一个非常有潜力的项目，它利用 Microsoft Graph 的强大功能构建企业级的知识图谱增强的 RAG 方案，为企业应用带来了新的可能性。
1.9K10编辑于 2025-02-18 - 来自专栏Java实战博客
RocketMQ 2 理论知识
同步消息（Sync Message）：生产者向broker发送消息，执行相关的代码同时等待，直到broker服务器返回发送结果，在后续执行。
25110编辑于 2022-01-19 - 来自专栏柠檬先生
zepto 基础知识(2)
类型 ： self attr({name:value,name2:value2,....}) $('ol').children('*:nth-child(2n)') 25.clone clone() 类型：collection 通过深度克隆来复制集合中的所有元素。 var input = $('input[type=text]') input.closest('form') 27.concat concat(nodes,[node2....]) 29.css css(property) 类型：value css([property1,property2,...]) 类型：object css(property,value) 类型： self css([property:value,property2:value2,....])
1.1K60发布于 2018-01-19 Golang基础知识(2)
c.Radius}// 使用接口func printArea(s Shape) { fmt.Println("Area:", s.Area())}circle := Circle{Radius: 2} goCopy code// 测试函数func TestAdd(t *testing.T) { result := add(2, 3) if result ! codeconst ( Sunday = iota Monday Tuesday Wednesday Thursday Friday Saturday)这些基础知识概念使得 深入学习这些知识，可以更好地利用Golang的特性来构建可维护和高性能的应用程序。
20910编辑于 2024-02-01- 来自专栏程序生涯
Linux基础知识（2）
<2>查看登录用户：who who命令用于查看当前所有登录系统的用户信息。 ?
97840发布于 2020-08-14
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