- 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。 和AR的区别 区别一：定义 AR是Augmented Reality的字母缩写，中文名字是“增强现实”，是一种全新人机交互技术。
2K20发布于 2019-08-12 知识图谱增强大模型应用架构
这就是典型的知识增强大模型应用，通过外部知识的增强能够扩展 大模型 的能力，让其在回答问题时提供更为精准和及时的答案，特别是对于那些涉及到最近事件、新闻或需要快速更新的信息。 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”。 图片 知识增强这种增强方式，通过检索相关信息来辅助理解和推理。具体而言，知识增强旨在解决以下几个关键问题： 实时信息更新：通过搜索外部资源，大模型可以访问最新的内容，包括新闻、学术研究、市场动态等。 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。
81510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。 这一过程不仅增强了智能体的规划能力，也提升了其在复杂情境中的应用潜力。在HotpotQA和ALFWorld数据集的实验中，KnowAgent具有不错的性能表现。 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. 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。 与以往研究相符，论证了迭代自学习能有效增强模型对训练数据的理解。这也反映了“温故而知新”的学习原则。
27310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 /KG_RAG），该框架利用生物医学知识图谱SPOKE与大型语言模型相结合，有效的提升了LLM在医疗领域的问答效果。 KG-RAG框架介绍 KG-RAG框架，较好的结合了生物医学知识图谱SPOKE和LLM的优势。 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。 上下文提取：从SPOKE知识图谱中提取与疾病节点相关的上下文信息，并将其转换为自然语言。 提示组装：将提取的上下文与原始prompt结合。
2.3K10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
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
2.3K20发布于 2019-12-23 - 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”
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。 因为这里的知识技能不像图像是连续的，直接对其进行对抗攻击无法生成对抗样本，因此这里采用了对特征表示加扰动来构造对抗样本。） 是知识技能的特征表示，是回答的特征表示，和是特征维度。 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。
85220编辑于 2022-03-30 - 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。 关于项目 JenAI 是一款开创性的聊天机器人，经过专门训练可以回答用户关于 Jenkins 技术的查询，从而增强软件的可访问性和可用性。 我们的目标是为用户提供更快、更可靠的帮助。 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。 里程碑 该项目包括我们已经经历的几个阶段： 阶段 #1：数据收集 使用不同的来源来收集 Jenkins 知识，例如 jenkins 文档和博客、discource 社区问题 以及许多外部来源，例如 stack 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
39910编辑于 2024-08-27 - 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。 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。 ，传说中做知识库属它最牛逼，但是使用体验下来真的就是资源占用太大了，对准确率高的资源不在乎的可以尝试配置学习试试，这个也通过和 dify 结合进行使用，网上有相关教程可以参考，将 ragflow 直接外挂给
86710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 300-800ms 推理深度 单跳检索 多跳查询 动态推理链 数据需求 无结构文本 结构化三元组 混合数据 可解释性 低 高 可视化推理路径 维护成本 低 极高 中等 三、DeepSeek进化论：四阶知识增强 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=
54310编辑于 2025-03-17 - 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。
27100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。
1.7K10编辑于 2025-02-18 - 来自专栏深度学习和计算机视觉
图像增强三大类别：点增强、空域增强、频域增强
图像增强是图像模式识别中非常重要的图像预处理过程。 图像增强的目的是通过对图像中的信息进行处理，使得有利于模式识别的信息得到增强，不利于模式识别的信息被抑制，扩大图像中不同物体特征之间的差别，为图像的信息提取及其识别奠定良好的基础。 图像增强按实现方法不同可分为点增强、空域增强和频域增强。 点增强 点增强主要指图像灰度变换和几何变换。 因此，根据需要可以分别增强图像的高频和低频特征。对图像的高频增强可以突出物体的边缘轮廓，从而起到锐化图像的作用。例如，对于人脸的比对查询，就需要通过高频增强技术来突出五宫的轮廓。 相应地，对图像的低频部分进行增强可以对图像进行平滑处理，一般用于图像的噪声消除。 频域增强 图像的空域增强一般只是对数字图像进行局部增强，而图像的频域增强可以对图像进行全局增强。
1.3K30编辑于 2022-09-28 - 来自专栏架构师专栏
向量数据库与知识增强系统的效能影响分析
关键词：向量数据库、知识增强系统、RAG、性能优化、效能分析 文章目录 引言：为什么向量数据库这么火？️ 向量数据库基础架构解析 知识增强系统（RAG）核心机制 效能分析框架建立⚡ 关键性能影响因素深度剖析️ 系统优化策略与最佳实践 实际场景应用案例 总结与未来展望 引言：为什么向量数据库这么火？ 这时候，向量数据库（Vector Database）和知识增强系统（RAG - Retrieval Augmented Generation）就像是给AI装上了一个”外挂记忆”，让它既能保持原有的智慧， 小团队延迟低，但成本较高Weaviate开源、功能丰富企业级应用平衡性能与功能Chroma轻量级、Python友好研究、开发测试简单快速部署Milvus高性能、可扩展大规模生产环境吞吐量大，延迟可控 知识增强系统 RAG工作流程详解RAG vs 传统方案对比传统方案问题： - 模型训练成本高昂 - 知识更新困难 - 容易产生幻觉 RAG方案优势： - 实时知识更新 ⚡ - 可追溯信息来源 - 成本可控 效能分析框架建立要系统性地分析向量数据库与知识增强系统的效能
4.7K10编辑于 2025-07-10 - 来自专栏AgenticAI
通过知识图谱可视化增强 LLM 开发与调试
本文翻译自 yworks 文章，主要讲述如何通过有效的知识图谱可视化增强 LLM 开发。学习如何利用 yFiles 创建直观、交互式的图表，从而简化 AI 应用的调试和优化。 为了向 LLM 提供必要的上下文信息，AI 应用通常集成采用图检索增强生成（Graph Retrieval-Augmented Generation，RAG）方法。 CreateLlama 中基于数据驱动的知识图谱可视化 复杂和动态图谱的可视化挑战 知识图谱的规模庞大且结构复杂，使得可视化成为一项挑战。 yFiles 提供的丰富自动布局算法库可以无缝集成，使开发者能够轻松渲染复杂的知识图谱，在操作过程中高亮显示激活的节点，并动态调整图谱布局，以增强可读性和探索性。 通过集成 yFiles，开发者可以优化 LLM 工作流，使数据更清晰可视，并增强 AI 智能体的表现。
51010编辑于 2025-03-21 - 来自专栏DrugOne
NeurIPS 2024 | WKM: 增强智能体规划的世界知识模型
在三个复杂的真实世界模拟数据集（ALFWorld、WebShop、ScienceWorld）和三种SOTA开源模型（Mistral-7B、Gemma-7B和Llama-3-8B）上的实验结果表明，世界知识模型增强的智能体可以实现更好的性能 3) 最后，我们将生成的知识整合到专家轨迹中，并训练一个知识模型来生成这些知识。同时智能体需要重新训练以适应任务知识。 注意我们的代理和知识模型都是使用LoRA共享相同的主干进行训练的。 在规划阶段，我们使用WKM为智能体提供全局先验任务知识，并维护局部动态状态知识。任务知识将以自然语言形式与特定任务相结合，以指导智能体的试错过程。 在消融研究中，我们分别分析了任务知识和状态知识的有效性。我们发现，通过任务知识带来的改进比通过状态知识更为显著。 通过多任务联合训练的统一参数化知识模型比单任务训练表现得更好。 五、总结 在这篇论文中，我们致力于开发一个参数化的世界知识模型（WKM）来增强语言代理模型的规划能力。
45910编辑于 2024-11-23 - 来自专栏图与推荐
知识增强的图机器学习在药物发现中的应用
本综述对长期存在的药物发现原理进行了全面的概述，提供了图结构数据和知识数据库的基础概念和前沿技术，并正式总结了用于药物发现的知识增强图机器学习(KaGML)。 为解决这些限制，研究人员最近关注了一种新的人工智能范式，称为知识增强图机器学习(简称KaGML)，用于更好的药物发现。 面向药物发现的知识增强图机器学习 图5展示了本研究的重点，各种智能药物发现方法。 本文将这种新机制命名为知识增强图机器学习(简称KaGML)，到目前为止，它在以下方面表现出了有希望的结果:(i)实现更精确的药物发现(第5.1-5.3节);(ii)灵活使用非结构化训练数据(第5.1-5.2 (ii)知识增强的预训练策略有助于GML方法的实现;(iii)外部知识可以加快GML的训练过程;(iv)知识库已成为可靠的资源，为GML模型提供有意义的可解释性。每一类的工作将被详细讨论。
61420编辑于 2023-03-01 向量数据库与知识增强系统的效能影响分析
就像一个博学的教授，知识渊博但总是记不住最新的论文和数据。 这时候，向量数据库（Vector Database）和知识增强系统（RAG - Retrieval Augmented Generation）就像是给AI装上了一个"外挂记忆"，让它既能保持原有的智慧， Weaviate 开源、功能丰富 企业级应用 平衡性能与功能 Chroma 轻量级、Python友好 研究、开发测试 简单快速部署 Milvus 高性能、可扩展 大规模生产环境 吞吐量大，延迟可控 知识增强系统 {#performance-framework} 要系统性地分析向量数据库与知识增强系统的效能，我们需要建立一个全面的评估框架。 对于企业级应用： 选择Milvus或Weaviate等成熟方案 建立完整的测试和监控体系 重视数据安全和用户隐私 对于大规模系统： 考虑分布式架构设计 实现智能负载均衡 建立故障自愈机制 写在最后 向量数据库和知识增强系统正在重塑我们与信息交互的方式
30010编辑于 2025-07-15检索增强生成（RAG）：大模型的‘外挂知识库
什么是RAG RAG（Retrieval-Augmented Generation，检索增强生成）是一种结合信息检索技术与生成式大模型（LLM）的AI框架。 它通过从外部知识库中检索相关信息，并将其作为提示（Prompt）输入给大模型，从而增强模型处理知识密集型任务的能力，如问答、文本摘要、内容生成等。 工作原理 1. 生成（Generation） （1）输入整合 将用户输入和检索到的文档整合为一个增强的输入。 例如： 用户输入：“量子计算的基本原理是什么？” 准确性高 检索增强：通过从外部知识库中检索相关文档，生成模型能够基于真实、可靠的信息生成回答，显著提高准确性。 减少幻觉：相比纯生成模型（如GPT），RAG减少了生成虚假或无关内容的可能性。 2. 可解释性强 基于文档生成：RAG的回答通常基于检索到的文档，用户可以追溯生成结果的来源，增强可信度。 透明性：检索到的文档可以作为生成过程的依据，使系统更具透明性。 3.
1.4K10编辑于 2025-05-31- 来自专栏大语言模型
基于知识图谱构建的检索增强生成-GraphRAG（尝鲜篇）
之前专栏有介绍过LLM应用的利器RAG，通过它的实现原理，我们可以看出它有个很大的缺点就是在检索过程中只是对切片片段进行召回，所以也只能回答局部文档问题，无法回答知识库全局问题。 微软前段时间开源了GraphRAG（Graph-based Retrieval Augmented Generation）是在通用RAG基础上结合了知识图谱。 GraphRAG的主要流程：利用LLM从知识库中提取实体以及实体关系；利用LLM对实体联系进行聚类，生成社区摘要；在回答用户问题时利用LLM结合社区摘进行回答。 数据和配置 2.1 准备知识库 知识图谱我马上能想到的最好的例子就是红楼梦人物关系图了。所以可以让大模型生成一份红楼梦四大家族简介和关键人物介绍，然后保存到txt就可以。 4 基于知识问答 基于以上pipline后，我们生成了实体图，关系图，社区摘要等中间文件。下面就基于graphrag进行问答。 python -m graphrag.query --root .
5.2K41编辑于 2024-07-28
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