- 综合排序
- 最热优先
- 最新优先
- 来自专栏全栈程序员必看
本体编辑、知识推理与检索
本体编辑、知识推理与检索 一切要从一个倒霉项目开始说起，项目要求根据一个构建好的本体文件，通过JAVA调用相应API实现对本体文件的编辑、推理以及检索。 由于之前对本体、知识图谱这些完全不熟悉，被强行推入坑之后就开始了漫长且毫无希望的技（疯）术（狂）调（百）研（度）之路。。。。 调研之前：这是啥呀？ 调研之后：这***都是些啥啊！！ 编辑、推理和检索都是在构建好的基础本体文件上进行的，该本体文件就是用protege构建的。 5.编辑本体文件 将知识或数据写入本体，例子如下。 6.pellet推理机推理 7.推理结果检索 检索这里用的方法是使用jena执行sparql进行查询。
1.9K30编辑于 2022-08-29 LightRAG × Yuxi-Know——「知识检索 + 知识图谱」实践案例
一、LightRAG：把“图结构”装进 RAG 的双层检索大脑 LightRAG 的核心设计思路是：在传统向量召回基础上，显式引入知识图谱（KG），形成“低层语义块 + 高层图结构”的双层检索，让答案既能对齐语义又能走通逻辑路径 LightRAG 解决“怎么把文档与知识图谱纳入可检索的索引体系”，Yuxi-Know 则负责“把索引/检索/推理/工具编排成可运营的业务应用”。 5.应用层（B/C 端）•以 Vue 前端封装成场景化看板或问答助手（例如研发知识问答、投放素材检索、运维 SOP 助手、合规条款检索等）。 •企业知识库 / 合规检索：法规条款 ↔ 内部制度 ↔ 历史案例，用图谱把“条款—部门—流程—风险点”串起来，回答更可解释。 把两者合并，你就拥有了一条面向生产的知识流水线：从原始资料 → 结构化 → 索引 → 检索 → 推理 → 应用闭环。
86310编辑于 2026-03-13- 来自专栏谓之小一
电影知识图谱问答（三）|Apache Jena知识存储及SPARQL知识检索
，并介绍如何利用SPARQL进行知识检索。 答案是不能，因此传统关系型数据库不能够体现知识间的层次关系，更不能进行知识推理和知识检索。因此，需要选择特定的图数据库，目前常用的图数据库包括Neo4j和Apache Jena。 Apache Jena知识存储 选择好存储方法(Apache Jena)之后，便需要了解如何进行知识存储和知识检索，具体流程包括将RDF类型数据转换成TDB类型数据、配置及启动Apache Fuseki 、利用SPARQL从Apache Jena中进行知识检索。 SPARQL知识检索 数据存储成功之后，便能够通过SPARQL检索语言从Apache Jena数据库之中进行检索答案。比如查询流浪地球的主演有哪些？，翻译成SPARQL检索语言如下所示。
6.2K42发布于 2019-08-14 - 来自专栏IT综合技术分享
知识分享之Golang——Bleve全文检索库
知识分享之Golang——Bleve全文检索库 背景 知识分享系列是我在日常进行技术研究时学习到的一些东西的记录，分享出来给大家，便于日常使用的时候快速查寻想要的内容。 组件仓库：https://github.com/blevesearch/bleve 开源协议：Apache-2.0 License 内容 本文分享的内容是Golang语言下的组件库，Bleve全文检索库 支持的构面类型： 术语方面 数字范围方面 日期范围方面 本文声明： 知识共享许可协议 本作品由 cn華少 采用 知识共享署名-非商业性使用 4.0 国际许可协议 进行许可。
1.1K30编辑于 2022-01-07 向量检索+NLU：AI知识库高效检索的核心逻辑与实操
在技术研发与团队协作的日常中，知识沉淀始终是绕不开的核心命题——碎片化的文档散落在不同平台、检索时陷入“关键词陷阱”、撰写技术文档耗时费力、跨平台协作效率低下，这些痛点困扰着无数开发者与团队。 直到接触到一款由AI大模型驱动的开源知识库系统，我们才真正打破知识管理的壁垒，它并非单纯的“文档容器”，而是以轻量化开源架构为基础，将大模型能力与知识管理全流程深度融合的企业级工具，无论是个人私有化技术笔记的搭建 而语义化AI问答和向量检索式AI搜索，则从根本上解决了传统知识库的关键词检索瓶颈，传统基于倒排索引的搜索方式常出现“搜不到”“搜不准”的情况，比如查询“如何解决HTTP接口调用超时的服务端问题”，关键词搜索仅能返回含 现阶段新员工可通过AI问答快速检索学习产品核心功能与技术架构，上手时间从原本的一周缩短至两天；售后与技术支持同事从重复的基础问题解答中解放，专注于复杂问题处理，团队整体工作效率提升超40%。 整体用下来，系统的核心价值在于将复杂的大模型技术做了低代码的工程化落地，基于轻量化的开源架构，让普通开发者和中小团队能快速搭建私有化的智能化知识库，其所有功能模块均围绕知识管理的创作、存储、检索、集成、
22410编辑于 2026-02-28- 来自专栏XINDOO的专栏
Agent设计模式——第 14 章：知识检索（RAG）
然而，它们的知识库通常局限于训练时使用的数据，限制了它们对实时信息、特定公司数据或高度专业化细节的访问。知识检索（RAG，即检索增强生成）解决了这一局限。 知识检索（RAG）模式概述 知识检索（RAG）模式通过在生成响应之前授予 LLM 访问外部知识库的权限，显著增强了它们的能力。 总之，检索增强生成（RAG）模式代表了使 AI 更加知识渊博和可靠的重大飞跃。通过将外部知识检索步骤无缝集成到生成过程中，RAG 解决了独立 LLM 的一些核心局限。 为什么：检索增强生成（RAG）模式通过将 LLM 连接到外部知识源提供了标准化的解决方案。当收到查询时，系统首先从指定的知识库中检索相关信息片段。 视觉摘要 ** ** 知识检索模式：AI agent 从结构化数据库查询和检索信息 ** ** 图 3：知识检索模式：AI agent 响应用户查询，从公共互联网查找和综合信息。
1.2K10编辑于 2025-10-27 - 来自专栏铭毅天下
干货 | 知识库全文检索的最佳实践
2、知识库全文检索问题抛出 重新审视一个停滞不前的项目，并寻求建议，对数千个“旧”文档进行现代化改造， 最终期望效果：通过网络访问这些文档。 3、精彩回复 我将推荐ElasticSearch，我们先解决这个问题并讨论如何实现它： 这有几个部分： 从文档中提取文本以使它们可以索引（indexable），以备检索； 以全文搜索形式提供此文本； 3.2、检索部分 现在进行搜索。 你如何做到这一点取决于你想如何展示你的结果 按页面page分组， 按文档doc分组。 通过页面的结果很容易。 18 } 19 }, 20 "size" : 1 21} 或者，给“页面”文档提供一个由$ doc_id _ $ page_num（例如123_2）组成的ID，然后您可以通过如下的检索获取该页面
2.5K10发布于 2018-07-26 - 来自专栏铭毅天下
实战 | Elasticsearch打造知识库检索系统
题记 源自“死磕Elasticsearch”技术群里的讨论问题： ——我想用es做个类似于知识库的东西,所以需要索引一些pdf、word之类的文件，这个你之前有试过吗？能给个方向吗？ 问题转嫁为：如何将Office类文档、PDF文档导入ES建立索引，并提供全文检索服务？ 2、Elasticsearch支持的最大待检索字段的长度是多大？ 设置ignore_above后，超过给定长度后的数据将不被索引，无法通过term精确匹配检索返回结果。 5、小结 从功能和性能角度考量，建立知识库的建议如下： 1）知识库的核心是数据导入ES，导入ES的核心是各种类型文档的解析； 2）提前设定Mapping，定义好字段分词、不分词的策略； 3）对于大于
3.8K70发布于 2018-03-20 - 来自专栏用户6296428的专栏
知识库检索匹配的服务化实践
作者：极简风 部门：数据中台 一、背景 知识库是企业经营过程中的面向客户和内部员工的知识沉淀文档库，里面包含各类教程、问答、案例等，知识库的检索匹配是自然语言处理(NLP)中一个重要的基础问题，本质是进行文本语义的相似计算 ，也就是语义匹配，我们很多领域的任务都可以抽象为知识库的匹配检索任务，例如检索引擎、智能客服、知识检索、信息推荐等领域。 知识库检索匹配可以概述为：给定一个query和大量候选知识库的文档，从这些文档中找出与用户输入query最匹配的TopK个文档。 ，左右塔的结构分离但编码器参数共享，双塔结构天然的可以用于召回，将这个模型部署到小盒子就可以在线计算检索词的向量，将海量的知识库文档作为右塔离线训练成文本向量后刷入向量检索工具Milvus。 在知识库检索匹配服务化实践过程中，后续值得关注以下几点： 1）对于知识库中低频或缺失的新文档或新商品的Embedding学习还不够充分，可考虑利用图结算法结构，把更多query和其他属性的语义信息聚合，
2K40编辑于 2022-12-12 - 来自专栏DeepHub IMBA
解决RAG检索瓶颈：RAPL线图转换让知识图谱检索准确率提升40%
该框架通过构建高效且可泛化的检索器，显著提升了大型语言模型在知识问答任务中的准确性和可解释性。 当下人工智能技术正处于一个关键发展节点。 其核心思想是：不要求大型语言模型记忆所有信息，而是在接收查询时，首先从外部知识库中检索相关的、最新的信息，然后基于这些信息生成有依据的、事实准确的回答。 论文提出了一个问题："如何为知识图谱问答任务开发一个高效且泛化能力强的基于图的检索器？" 总结 根本问题： 用于RAG的标准图检索器经常失效，因为知识图谱中事实的"最短路径"并非总是回答用户问题的最"合理"或逻辑路径。 "知识地铁"概念： RAPL有效地在知识图谱混乱的"城市地图"之上构建了一个地铁系统，使得导航（检索）更加高效、结构化和合乎逻辑。
37610编辑于 2025-08-20 - 来自专栏Lcry个人博客
RAGFlow 开源检索增强 AI 知识库部署教程
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。 总结 本文通过docker 一键部署 ragflow，并且体验了简单的功能， 整个使用下来存在很多卡顿的问题，在知识库的文档解析的时候一直卡住不动重启才恢复正常，不愧是issues 还有一大堆没修改，解析的方式强是强 ，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
1.1K10编辑于 2026-01-09 DeepSeek-RAG赋能知识检索与推理（一）
检索增强生成（Retrieval-AugmentedGeneration,RAG）提供了一种桥接语言生成与知识推理的有效机制。 它通过在生成前引入外部知识检索，使模型拥有动态查找信息的能力，从而缓解知识封闭与幻觉问题。 其核心思想是：在生成过程中引入外部知识检索机制，用户提出问题后，先检索出与之相关的语义片段，再将这些信息作为上下文提示词，与原始问题一并输入语言模型，引导模型生成更为准确、可信的回答。 首先是检索器，它负责根据用户提出的问题，在预先构建的语义向量数据库中，寻找语义上最相关的问题片段或知识段落。 不同于传统大语言模型仅依赖内部参数进行回答，RAG在面对用户问题时，会优先调用外部知识资源进行实时检索，然后再由生成模块结合检索结果进行推理与生成。
58610编辑于 2025-12-06DeepSeek-RAG赋能知识检索与推理（二）
高级RAG在这一阶段可采用多源检索策略，确保系统不仅能召回语义最接近的文段，还能实现跨文档、跨知识域的覆盖，提高知识补全能力。 （2）数据读取增强大模型第一步，循环对话与知识检索**。接受用户输入，先从向量库中检索相关知识，再把检索结果和用户问题一并发送给大模型生成回复，实现实时对话。第二步，DeepSeek模型下载和加载。 ①无RAG检索在未使用RAG检索的情况下，语言模型容易因知识不足而产生理解偏差，其生成结果如图18.6所示。注意，该问题生成结果已被作者翻译成中文。 图2.2无RAG检索回答总之，在未接入外部检索（即无RAG）的情况下，模型仅依赖自身预训练知识生成内容，容易出现定义误解、结构缺失与内容夸大等问题②数据库中检索到的片段图2.3展示的是系统实际检索到并被 这说明引入检索机制后，大模型可以突破原始知识库的限制，提供结构清晰、细节完备的回答。图2.4RAG检索回答
36510编辑于 2025-12-06- 来自专栏有三AI
【知识图谱】获取到知识后，如何进行存储和便捷的检索？
知识图谱的难点在于知识图谱的搭建，如何高效、高质量、快速的搭建知识图谱是知识图谱工程的核心，那之后获取到的知识，该如何存储以及便捷的检索呢？ 2 知识的检索 知识检索的过程，通常是知道三元组（S，P，O）中S和P，从图谱中获取O的过程。以KBQA为例，我们来讲述一下知识检索的过程。 假设用户输入这样的query：“周杰伦的义父是谁？” ，读者先想一下，需要经过哪些步骤，才能检索图谱得到答案呢？ ? 总结 知识图谱是人工智能技术最重要的基础设施，是计算机能够实现推理、预测等类似人类思考能力的关键。知识存储和检索是知识图谱系列技术中相对简单的一环。 对开发者而言，其难点在于检索过程，即组建检索语句的过程，设计实体识别及关系识别。
2.5K20发布于 2019-12-25 - 来自专栏拾光学迹
如何改进 AI 模型在特定环境中的知识检索
在当今数字化的时代，AI 模型的应用越来越广泛，而如何提高其在特定环境中的知识检索能力成为了一个关键问题。本文将结合Anthropic 文章，深入探讨改进 AI 模型知识检索的方法。 例如，当我们使用一个传统的 RAG 模型来回答关于 “量子力学中的不确定性原理” 的问题时，可能会因为编码信息时丢失了上下文，而无法准确检索到相关的知识块。 块边界 确定知识块的合理边界非常重要。如果块划分得太大，可能会包含过多无关信息，影响检索准确性；如果块划分得太小，可能会丢失重要的上下文。 例如，当我们使用一个知识检索系统来回答关于 “全球气候变化的影响” 的问题时，经过初步检索可能会得到多个相关的知识块。 总之，改进 AI 模型在特定环境中的知识检索是一个复杂而又具有挑战性的问题。但通过不断地探索和创新，我们相信可以找到更加有效的方法，为 AI 技术的发展做出更大的贡献。
3.6K00编辑于 2025-02-26 VFP AI 插件开发花絮10：知识库检索
之前介绍了知识库的一些基础，如VFP AI 插件开发花絮8：知识库基础、VFP开发者如何构建自己的知识库，介绍了一些基本使用的工具软件和交互操作。 但是，我们需要程序化的使用知识库，以用于 VFP AI 插件或其他应用程序，所以，构建了 AnythingLLM.VCX 库，编译为多线程DLL。 预热知识库 If m.loObj.Warmup() ? "知识库预热成功！" Else ? "知识库预热失败！" EndIf ? *!* 5. 知识库检索 m.loJSON = m.loObj.VectorSearch([VFP是什么？], 2) ? 输出结果： todo： 除了知识库检索，可以将其扩展为真正的 AnythingLLM Manager，用于程序化的完全控制 AnythingLLM 。
11510编辑于 2026-04-02- 来自专栏圆圆的算法笔记
WWW23|递进式知识蒸馏提升检索模型效果
今天介绍的这篇文章是WWW 2023中微软发表的一篇工作，应用场景是检索，主要提出了一种新的蒸馏学习方法，用来实现将复杂的student模型的知识，蒸馏到简单的双塔dense检索模型上。 知识蒸馏的应用场景很广泛，其中最重要的一个场景是模型压缩。例如，这篇文章的场景就是线上的检索模型。 为了检索效率，线上模型一般采用的是简单的双塔结构，query和document使用一个训练好的模型生成表示向量，直接计算二者的内积计算相似度，实现topK检索。 为了提升这种双塔模型的效果，基于teacher-student的知识蒸馏方法被提出：先训练一个强大的teacher模型，再把teacher模型的知识蒸馏到student模型中。 第一类方法是不带知识蒸馏的稠密或稀疏检索模型，包括BM25、DeepCT、docT5query等；第二类方法是使用知识增强后的稠密检索模型，包括Margin-MSE、TCT-ColBERT等。
55220编辑于 2023-08-17 - 来自专栏大数据杂货铺
全文检索、向量检索和混合检索的比较分析
全文检索 全文搜索是指将部分或全部文本查询与数据库中存储的文档进行匹配。与传统的数据库查询相比，全文搜索即使在部分匹配的情况下也能提供结果。 Elasticsearch 用户越来越多地使用不同类型信息的搜索检索 — BM25 用于文本，向量搜索用于密集向量。 混合搜索技术通常会提供更好的结果：对多个 BIER 数据集进行基准测试显示，结合 BM25 和基于 ELSER 的排名时，相关性有所提高，现在用户甚至可以更轻松地组合所有这些检索方法。
6.3K10编辑于 2024-04-24 - 来自专栏啦啦啦啦前端
信息检索格式 布尔检索式
信息检索格式 布尔检索式 名称 符号 表达式 功能 逻辑与 * 或and AB 同时含 有提问词A和B的文献，为命中文献 逻辑或 + 或or A+B 凡是含有提问词A或B的文献，为命中文献 逻辑非
1.6K40编辑于 2023-02-11 检索增强生成（RAG）：大模型的‘外挂知识库
（3）知识库 规模：知识库越大，检索到的相关文档可能越多，但计算成本也会增加。 质量：知识库的内容质量直接影响生成结果的可信度。 动态更新：知识库需要定期更新，以保持信息的时效性。 弥补模型知识局限：生成模型本身的知识受限于训练数据，而RAG通过检索弥补了这一不足。 5. 知识库依赖性强 知识库质量决定性能：如果知识库不完整、过时或质量差，检索到的文档可能不准确，从而影响生成结果。 知识库更新成本：保持知识库的时效性需要定期更新和维护，增加了系统运营成本。 3. 知识库规模限制 大规模知识库的存储和检索：随着知识库规模的增大，存储和检索的开销也会显著增加，可能影响系统性能。 小规模知识库的局限性：如果知识库规模较小，可能无法覆盖用户的所有查询需求。 总结 优点 缺点 准确性高，减少幻觉 检索效率低，计算成本高 可解释性强，结果透明 知识库依赖性强，更新成本高 灵活性高，适用于多任务 检索与生成协同问题 知识覆盖广，弥补模型知识局限 系统复杂性高，调试难度大
1.6K10编辑于 2025-05-31
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