知识图谱

爱思德学术

中国计算机学会（CCF）推荐学术会议-C（人工智能）：KSEM 2026KSEM 2026The 19th International Conference on Knowledge Science, Engineering and Management (KSEM 2026) will be held in Beijing on July 17-19th, 2026.

钛投标免费AI标书工具

银奖·钛投标荣获华为技术有限公司主办昇腾AI大赛华中区决赛银奖2025年11月26日，由华为技术有限公司主办的昇腾AI创新大赛2025华中区域赛在武汉光谷圆满收官。景网数据服务（武汉）有限公司自主研发的“钛投标AI解决方案”，从343支参赛团队中突围，斩获企业赛道银奖，以硬核技术实力赢得华为这一民营硬科技顶流企业的权威肯定，成为招投标AI领域与昇腾生态深度融合的标杆案例。

计算所陈老师

Palantir的核心是Ontology最近Palantir突然又火了，刷到了好多分析它的文章。很多文章写的很专业，我没有那么专业，理论水平也还十分有限，仅仅是谈一谈自己的理解。

知识图谱与检索增强RAG的关系大型语言模型（LLM）的优势在于理解、生成与抽象，但其弱点同样明显：事实不稳定、逻辑链条不可控、解释性弱、无法直接利用企业内部结构化知识。知识图谱（Knowledge Graph, KG）恰好补足这些短板。

基于Qwen2-VL+LayoutLMv3的智能文档理解系统：从OCR到结构化知识图谱的落地实践最近研学过程中发现了一个巨牛的人工智能学习网站，通俗易懂，风趣幽默，忍不住分享一下给大家。点击链接跳转到网站人工智能及编程语言学习教程。读者们可以通过里面的文章详细了解一下人工智能及其编程等教程和学习方法。下面开始对正文内容的介绍。

一个处女座的程序猿

LLMs之Agents：Graphiti(为 AI 代理构建实时知识图谱)的简介、安装和使用方法、案例应用之详细攻略LLMs之Agents：Graphiti(为 AI 代理构建实时知识图谱)的简介、安装和使用方法、案例应用之详细攻略

知识图谱-数据科学图谱可扩展平台-KGLiDS作者提出了一个可扩展的数据科学知识平台 KGLiDS，借助机器学习和知识图谱，把数据科学流程中所有这些数据、步骤、函数之间的语义和关联都抽象出来，形成一个能直接用来自动化处理的知识结构。

2025最新版微软GraphRAG 2.0.0本地部署教程：基于Ollama快速构建知识图谱微软近期发布了知识图谱工具 GraphRAG 2.0.0，支持基于本地大模型（Ollama）快速构建知识图谱，显著提升了RAG（检索增强生成）的效果。本文手把手教你如何从零部署，并附踩坑记录和性能实测！

多模态知识图谱的构建及在热点新闻事件中的应用本文是写于2022年5月份的一篇心得，彼时俄乌冲突战火刚起，AI+知识双驱动的人工智能应用模式也正当时。不过紧接着，2022年8月，ChatGPT横空出世，凭借其逼真的自然语言交互与多场景内容生成能力迅速引爆互联网，表明在大规模数据集上训练的更大模型可以树立新的AI能力标杆。GPT-4的发布，具备了多模态理解与多类型内容生成能力，进一步推动了大模型技术的发展和在AI领域的绝对主导。一直到现在都是，大模型在多模态能力的全面突破、长上下文处理能力的大幅提升、以及 Agent 化应用的蓬勃发展。技术架构从单纯的

大模型十大高频问题一：RAG（检索增强生成）和微调，哪个更适合我的业务场景？Key Words：人工智能入 AI入门大数据培训数字孪生培训大模型培训知识图谱培训软件架构培训强化学习培训人工智能培训具身智能培训深度学习培训学习路径智能体 LLM VLA 世界模型

KG_LLM图谱增强大模型

从人类专家到机器：大模型支持的人机协同本体与知识图谱自动构建本文探索利用开源大语言模型实现知识图谱的半自动构建，提出了一个包含能力问题生成、本体开发、知识图谱构建和评估的完整管道。研究以深度学习方法论为例，通过学术出版物构建知识图谱，显著降低了人工参与成本，为知识工程领域提供了创新解决方案。

基于知识图谱+LLM的工业设备故障诊断：从SQL日志到可解释推理的实战闭环摘要：传统知识图谱故障诊断查得到但看不懂，纯LLM又乱猜。我花了两个月搭建了一套"符号-神经"混合系统：用CNN解析设备SQL日志自动构建图谱，GNN补全缺失关系，LLM做最后一步的"人话翻译"和根因推理。上线后，产线故障平均定位时间从47分钟降到8分钟，准确率达92%。关键是整套方案不打标、不微调，3000行Python代码跑在两张T4上。

大数据存储域——图数据库系统本文主要介绍了 JanusGraph 图数据库系统。阐述了其特点、优势、劣势以及与其他数据库的对比。还列举了影响其性能的关键因素，如后端数据库选择、索引设计等，并提供了企业使用 JanusGraph 的真实案例，如支付公司风控、银行反欺诈等场景，展示了其在不同场景下的数据量、查询延迟等指标。

openGauss DataVec向量数据库集成：面向AI应用的相似性搜索与知识图谱存储本文深入探讨了openGauss DataVec向量数据库在AI应用中的关键作用，特别是其在相似性搜索和知识图谱存储方面的优势。作为openGauss的核心扩展，DataVec提供了高效的向量数据存储、索引和检索能力，支持L2距离、余弦相似度和内积等多种距离度量方法。文章详细阐述了DataVec的架构设计、向量数据类型、索引机制，以及如何将其集成到RAG系统和知识图谱应用中，并通过实际案例展示了性能优化策略和生产环境部署方案。对于正在构建AI应用的开发者和架构师，本文提供了从理论到实践的完整指南。

KG_LLM图谱增强大模型

[500页电子书]构建自主AI Agent系统的蓝图:谷歌重磅发布智能体设计模式指南谷歌资深工程师Antonio Gulli发布近500页技术指南，详述21种代理设计模式，帮助构建自主AI系统。涵盖从提示链到多代理协作的实用框架，适用于企业环境。已成亚马逊概率统计类新书榜首。

具身智能-视觉语言导航（VLN）具身智能-视觉语言导航（VLN）一.概述 1.任务介绍 2.任务类型 3.场景类型人工智能/具身智能/VLA/大模型/AI/LLM/Transformer 架构/AI技术前沿/Agent大模型/工信部证书/人工智能证书/职业证书

KG_LLM图谱增强大模型

［经典之作］大语言模型与知识图谱的融合：通往智能未来的路线图本文提出了融合大语言模型（LLMs）与知识图谱（KGs）的前瞻性路线图，涵盖三大框架：KG增强的LLMs、LLM增强的KGs，以及协同LLMs+KGs。通过系统综述现有研究并指出未来方向，为两种互补技术的统一提供了全面指导。

【无标具身智能-多任务与元学习】具身智能-多任务与元学习一、模型无关元学习（MAML）——学习一个“易调参”的模型初始点1.1核心思想：优化“适应性”本身1.2MAML算法原理剖析1.3在机器人控制中的应用二、上下文元学习——从少量演示中快速吸收新技能2.1 核心思想：将任务信息编码为上下文2.2 以循环元学习为例第三章：多任务学习的架构设计——共享与专属的平衡艺术3.1 硬参数共享3.2 软参数共享

陈天伟教授

基于学习的人工智能（3）机器学习基本框架机器学习是利用恰当的算法，从数据中获取经验，对基于知识设计的初始模型进行改进，从而更有效地实现任务目标的方法。