graph

真-忒修斯之船

搭配Knowledge Graph的RAG架构检索增强生成（Retrieval-Augmented Generation，简称 RAG）通过结合大型语言模型（LLM）和信息检索系统来提高生成文本的准确性和相关性。这种方法允许模型在生成回答之前，先从权威知识库中检索相关信息，从而确保输出内容的时效性和专业性，无需对模型本身进行重新训练。

从论文到图谱，或许只差一个html书接上回，在文章《论文图谱当如是：Awesome-Graphs用200篇图系统论文打个样》中，我向大家讲述了如何用图的方式思考图计算系统的演进历史，并在后续的系列文中结合Awesome-Graphs项目解读了数篇图计算领域的经典论文。

Operational Property Graphs到底是个啥？Operational Property Graphs，中文通常译为“操作属性图”。作为23ai中被官方highlight出的新特性之一，我们先看下官方的原文描述：

ChatTuGraph：通过大模型“与图对话”使用SQL（Structured Query Language）对数据库/数据仓库进行查询分析操作，几乎成了研发工程师和数据分析师的“家常便饭”，然而要写出高效、清晰、优雅的SQL脚本并非易事。随着大语言模型（LLM）技术的普及，借助大模型微调（Fine Tuning）等技术将自然语言自动翻译为SQL语句（NL2SQL/Text2SQL）便成了非常流行的解决方案，相关的工具框架（Chat2DB、DB-GPT等）也是层出不穷。

从API到Agent：万字长文洞悉LangChain工程化设计我想做一个尝试，看看能不能用尽量清晰的逻辑，给“AI外行人士”（当然，我也是……）引入一下LangChain，试着从工程角度去理解LangChain的设计和使用。同时大家也可以将此文档作为LangChain的“10分钟快速上手”手册，本意是希望帮助需要的同学实现AI工程的Bootstrap。

是土豆大叔啊！

图/超图拉普拉斯分解 Graph/Hypergraph Laplacian eigendecomposition大家好，还是之前的风格，简单粗暴，直接开干！直接上公式，下边公式是图的归一化拉普拉斯特征分解公式： Δ = I − D − 1 2 A D − 1 2 = U T Λ U \Delta = I-D^{-\frac{1}{2}}AD^{-\frac{1}{2}} = U^{T}\Lambda U Δ=I−D−21AD−21=UTΛU

Spark 图计算ONEID 进阶版本文采用阿里云maxcompute的spark环境为基础进行的，搭建本地spark环境参考搭建Windows开发环境_云原生大数据计算服务 MaxCompute-阿里云帮助中心