- 综合排序
- 最热优先
- 最新优先
- 来自专栏用户12403993的专栏
2026-04-25: 从 RAG 到 Agentic Search + Tech Graph 的落地复盘
日期与进度概览日期：2026年4月25日进度：把“AI辅助开发”从「单点RAG」升级为「AgenticSearch+TechGraph（静态约束）」的可持续工程范式，并对齐后端项目的_tech_graph 结论2（补短板）：AgenticSearch的“按需探索”天然碎片化，必须配一个静态、可维护的架构事实源；我选择落地为/_tech_graph的Mermaid图谱体系。 1)今日关键目标把自己近期关于RAGvsAgenticSearch的体感结论整理成可复用的工程认知对齐后端项目ai-ink-brain-api-python/docs/_tech_graph/的落盘标准 漂移校验：端点/RPC/env/表名变化若未同步到_tech_graph/，必须能被脚本发现（避免文档静默过期）。 展开代码语言：TXTAI代码解释-最小漂移校验（P0_3）：运行`pythontools/tech_graph_drift_check.py`，检查端点/RPC/env/表名是否在`docs/_tech_graph
6310编辑于 2026-04-25 - 来自专栏技术向
Freeze graph: node is not in graph
本文由腾讯云+社区自动同步，原文地址 http://blogtest.stackoverflow.club/no-node-in-graph/ Freeze graph: node is not in graph (even though it’s been named) Though you have named a tensor, but it won’t just accept the given
1.1K10发布于 2019-11-20 - 来自专栏ADAS性能优化
TECH Big event 49
费米实验室的Muon g-2小组今天期待已久的公告似乎巩固了自然与理论之间的巨大冲突。但是同时发布的另一项计算却使情况蒙上了阴影。
55720编辑于 2022-05-13 - 来自专栏云计算-私有云
XenServer 7 Tech Preview
最近几天，伴随XenApp & XenDesktop 7.6 FP3的发布，Citrix也带来了XenServer最新版本的Preview版本，随着Citrix的XenServer Back战略，其在XenServer上明显增加了研发力度，XenServer 6.5为我们带来了基于内存的高速缓存、64位的Dom0，很明显提高了XenServer的性能。在最新的Preview版本中，其还有很多亮眼的功能。
1.3K20发布于 2019-02-28 - 来自专栏GlobalPlatform
Global Platform Tech Studio
一、关于Global Platform Tech Studio Global Platform Tech Studio（以下及后续简称GPTS）是针对GlobalPlatform智能IC卡（以下及后续简称
1.5K120发布于 2021-11-18 - 来自专栏计算机视觉理论及其实现
tf.graph_util.import_graph_def
Imports the graph from graph_def into the current default Graph. (deprecated arguments)Aliases:tf.compat.v1.graph_util.import_graph_deftf.compat.v1.import_graph_deftf.compat.v2 .graph_util.import_graph_deftf.compat.v2.import_graph_deftf.import_graph_deftf.graph_util.import_graph_def See tf.Graph.as_graph_def for a way to create a GraphDef proto.Args:graph_def: A GraphDef proto containing ) in graph_def to Tensor objects.
1.4K10编辑于 2022-09-03 - 来自专栏图神经网络
【知识】Graph Sparsification、Graph Coarsening、Graph Condensation的详细介绍和对比
理论基础（Definitions & Theoretical Background） 图稀疏化（Graph Sparsification）：图稀疏化指从原图中选取一部分边（或节点）构成一个稀疏的子图，用较少的边近似原图 图粗化（Graph Coarsening）：图粗化通过将原图中的一些节点聚合/合并成“超节点”（super-nodes），从而构建更小的粗粒度图。 图凝聚（Graph Condensation）：图凝聚是近年提出的新兴概念，受数据集蒸馏/浓缩（dataset distillation）的启发，将大规模图**“浓缩”成一个小规模的合成图（synthetic graph）。 代表工作如近期的KID框架，将GNN训练近似表示为**图核（Graph Kernel）**上的岭回归问题，通过选取图神经切核（GNTK）来刻画模型特征映射，使问题转化为核矩阵匹配。
93110编辑于 2025-04-09 - 来自专栏PM吃瓜(公众号)
dependency graph
Process: Break down your requirements to user stories (vertical slices through your tech stack that DELIVER
58710编辑于 2023-03-02 - 来自专栏时空探索之旅
WWW 2026 | LLM×Graph论文总结【LLM4Graph & Graph4LLM】
笔者将LLM和Graph结合的工作分为两大类，一类是LLM4Graph，即LLM做图任务。 其中细分了：文本属性图（Text-attributed Graph, TAG）,知识图谱（KG），图基础模型（GFM）。另外一类是利用Graph4LLM，即利用图这种格式来增强LLM的能力。 LLM4Graph1. A Graph Foundation Model for Unified Anomaly Detection2. Disentangled Graph LLM for Molecule Graph Editing under Distribution Shifts4. MemoTime: Memory-Augmented Temporal Knowledge Graph Enhanced Large Language Model Reasoning 1 A Graph
33510编辑于 2026-03-10 - 来自专栏智能生信
Graph Embedding
主要思想 用一个低维、稠密的向量来表示一个图 (Graph) 中的各个节点 (node)。实现上，DeepWalk，LINE，node2vec都是参考word2vec的。 在图中，节点之间的连接表达了一种固定的显式关系，理论上word2vec的CBOW和Skip-gram都能迁移到Graph中，不过在Graph中比较之前流行的还是用一个节点 (相当于word2vec中的 但是由于边的有向/无向以及边的权重使得graph embedding与word embedding的算法上又有了很大的不同。 那么自然地，不同的graph embedding方法的一个主要区别是对图中顶点之间的相似度的定义（与边的方向以及权重有关）不同，这一点就不难理解。 算法 ? img node2vec node2vec是一种综合考虑DFS邻域和BFS邻域的graph embedding方法。
1.6K00发布于 2021-02-04 - 来自专栏时空探索之旅
ICLR 2026 | LLM×Graph论文总结【LLM4Graph与Graph4LLM】
观察：LLM Graph统计值 最大均分 均值 最小均分 6 5.21 4 其中均分≥6的有4篇，其中。 笔者将LLM和Graph结合的工作分为两大类，一类是LLM4Graph，即LLM做图任务。 另外一类是利用Graph4LLM，即利用图结构来增强LLM的能力。 LLM4Graph & TAG1. id=CEJl0gN2gj 关键词：Graph Robustness, Graph Adversarial Attack, Text Attributed Graph, Large Language Model LLM4Graph & GFM 10 [oral] Multi-Domain Transferable Graph Gluing for Building Graph Foundation Models id=G3uNHQpP7J 关键词：Multi-domain graph pre-training, graph neural network, graph foundation model, Riemannian
42210编辑于 2026-03-10 - 来自专栏webpack@4.46.0源码分析
从dependency graph 到 chunk graph
从dependency graph 到 chunk graph 9. 从chunk到最终的文件内容到最后的文件输出？ 10. webpack中涉及了哪些设计模式呢？ 后面初步聚合的工作的主要依据就是上面的dependecy graph. 初步聚合： dependency graph -> chunk graph 总共三个模块，这里的入口只有一个，即webpack.config.js中配置的entry: src/simple/main.js 清理：对于脱离了chunk graph的节点（chunkGroup）被清理掉。 变量声明和初始化 // Iterative traversal of the Module graph // Recursive would be simpler to write
1K20编辑于 2022-11-23 - 来自专栏运维开发王义杰
jmeter Graph Results
"Graph Results" 是 JMeter 中的一个监听器，它提供了一种图形化的方式来显示性能测试的结果。 以下是 "Graph Results" 的一些主要特性和它所显示的信息： 样本（Number of Samples）：X轴表示样本序号，即每个单独的请求或测试样本。 通过 "Graph Results"，我们可以直观地看到性能测试的结果，包括每个请求的响应时间，吞吐量，偏差，和中位数。
56420编辑于 2023-08-16 - 来自专栏Dechin的专栏
MindSpore Graph Learning
技术背景 MindSpore Graph Learning是一个基于MindSpore的高效易用的图学习框架。 得益于MindSpore的图算融合能力，MindSpore Graph Learning能够针对图模型特有的执行模式进行编译优化，帮助开发者缩短训练时间。 MindSpore Graph Learning 还创新提出了以点为中心编程范式，提供更原生的图神经网络表达方式，并内置覆盖了大部分应用场景的模型，使开发者能够轻松搭建图神经网络。 g.src_vertex] ...: In [11]: ret = TestSetVertexAttr()(node_feat[src_idx], node_feat[dst_idx], *graph_field.get_graph in v.innbs]) for v in g.dst_vertex] ret = GraphConvCell()(node_feat[src_idx], node_feat[dst_idx], *graph_field.get_graph
86920编辑于 2022-11-21 - 来自专栏星汉技术
图（graph） 原
图（graph） 图是非线性数据结构，是一种较线性结构和树结构更为复杂的数据结构，在图结构中数据元素之间的关系可以是任意的，图中任意两个数据元素之间都可能相关。 如果图中的边没有方向性，即每条边都是顶点的无序偶对，称之为无向图（undirected graph）。 ? 设图G=(V,E)和图G'=(V',E')。 3．ADT定义 如下是图的抽象数据类型定义： ADT Graph{ 数据对象D：D是具有相同性质的数据元素的集合。 无向图不支持此操作 }ADT Graph 2、存储结构 从图的逻辑结构定义来看，无法将图中的顶点排列成一个唯一的线性序列。 6、拓扑排序 有向无环图（directed acyclic graph）是指一个无环的有向图，简称DAG。
2.3K20发布于 2019-03-12 - 来自专栏给永远比拿愉快
Leetcode: Clone Graph
Clone an undirected graph. Each node in the graph contains a label and a list of its neighbors. OJ’s undirected graph serialization: Nodes are labeled uniquely. As an example, consider the serialized graph {0,1,2#1,2#2,2}. The graph has a total of three nodes, and therefore contains three parts as separated by #. 参考代码（使用深度优先遍历）： /** * Definition for undirected graph.
71630发布于 2019-01-22 - 来自专栏快乐阿超
relation-graph
git仓库：https://github.com/seeksdream/relation-graph 文档地址：http://relation-graph.com/#/docs/start 在线体验：http ://relation-graph.com/#/demo/layout-center 甚至包含在线配置工具 十分强大
1.2K11编辑于 2022-10-04 pytorch computation graph
什么是 PyTorch 计算图（Computation Graph）在深度学习中，计算图是一个有向图，用于表示 张量操作的依赖关系。 特点：动态计算图（Dynamic Computation Graph）：图在前向计算时即时构建，每次 forward 都是新的图。节点（Node）：表示张量操作（例如加法、乘法、卷积）。 总结计算图（Computation Graph） 是 PyTorch 自动求导的核心机制。PyTorch 使用 动态计算图，灵活、可调试、支持任意控制流。
28010编辑于 2025-08-14- 来自专栏超然的博客
Graph Attention Networks
Graph Attention Networks paper：https://mila.quebec/wp-content/uploads/2018/07/d1ac95b60310f43bb5a0b8024522fbe08fb2a482 分析这些学到的attentional weights有利于可解释性（可能是分析一下模型在分配不同的权重的时候是从哪些角度着手的） attention机制是对于所有edge共享的，不需要依赖graph全局的结构以及所有
1.3K10发布于 2018-10-11 - 来自专栏量化小白上分记
AQR：Value Investing Is Not All About Tech
上图是是用五个行业中性化的估值因子等权合成后，计算的value spread，因为做了行业中性化，所以反映的是行业内的(with-industry)value spread。
47220编辑于 2023-03-19
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