知识图谱

底层玩家老张

一次多跳查询的复盘：图不搬出库，GraphRAG 怎么落地各位，我是老张。今天从一次实战出发，往下拆一层。前年做过一次多跳查询的优化，场景是供应链溯源。一条物料要追到三级供应商，当时的写法是三次 join 套一个递归 CTE。数据量到千万级之后，这条 SQL 跑一次要四十多秒。后来上了独立的图库，秒级出结果，但同步链路成了新的麻烦。10 月 30 日金仓那场发布会，主题是「Hello，AI数据库」，会上讲到库内知识化。我第一个反应是问一句：图到底怎么不搬出去还能跑。

程序员果子

本体构建方法目录一、总体定义二、两条路线对比三、路线一：结构化四、路线二：非结构化（文档 / PDF / Word / MD）

GraphRAG 实战：用 Neo4j 知识图谱，让 RAG 从“找货“进化到“梳理关系“做 RAG 的人几乎都从这套组合拳开始：向量库（Milvus/PgVector）做语义检索 + ES 的 BM25 做关键词检索 + ReRank 精排。

仿真到现实（Sim-to-Real）迁移：跨越仿真与现实鸿沟一、仿真训练的价值与现实落差二、域随机化：以多样性覆盖不确定性三、域自适应与系统辨识四、真实数据回填与混合训练五、评估、风险与可信部署 #人工智能 #大模型 #具身智能 #世界模型

奶油话梅糖

2,615 个知识点、3,003 条先修边：6,800 Star 的开源知识图谱，能顺着错题从高中回溯到小学数据说明：本文 Star 数字取自 2026 年 11 月 6 日 GitHub API 实测快照；知识点/边/题库统计引自仓库 README 中 scripts/validate.py 的实际输出（2026-10-23），功能与规则描述以 README 及 diagnose 子目录文档原文为准，未作虚构。

GEO 上线前，先把这 3 类实体信号地基补上很多团队做 GEO（AI 搜索优化），本能反应是“先写一堆文章发出去”。但在动手生产内容之前，有一件更基础的事要先做：让 AI 能确认“你到底是谁、你做的是什么”。生成式引擎在回答企业类问题时，并不凭空相信某段文案，它依赖一组可核验的实体信号。地基没修好，稿子写得再勤，也像往沙滩上盖楼。

NVIDIA CUDA Tile 在医疗计算中的算子形式化、算法重构与内核实现题注：本文讨论对象为 NVIDIA 于 CUDA 13.1 引入的 CUDA Tile（tile 并行编程模型）。第 3 节代码为基于官方公开 API 原语的示意性实现，函数名与签名以 CUDA 13.4 官方文档为准，需在 Blackwell（cc 10.x/12.x）+ CUDA 13.1+ 环境实测验证。截至检索时点，CUDA Tile 在医疗场景无任何已发表应用案例，第 2 节的算子映射与第 3 节的实现均为本文的算法设计与推演。

骑着蜗牛撵大象327

Spring Boot 4.1 + Spring AI 2.0：RAG 供文、图谱供关系、MCP 供工具的 Java Agent 平台把一个业务问答系统接上大模型，两周就能跑通：向量库塞文档、ChatClient 一调，答案立刻出来。可一上线问题就冒头——问「张三的报销单卡在谁手里」时模型只能复述制度文档，答不出关系链；想让它顺手查一下订单状态，又只能靠后端硬编码一个接口。

第404块砖头

Spring Boot 4.1 + Spring AI 2.0：我如何用 Java 微服务把 RAG、知识图谱和 MCP 协议串成一个 Agent 平台做 Java 生态的 AI 应用，最痛苦的不是模型调用，而是把 RAG、Agent 编排、工具协议、知识图谱这些能力在一个工程里干净地组装起来。Spring AI 生态目前缺少一个覆盖全链路的参考实现，所以我动手做了一个：springboot-agent。

大模型检索增强生成（RAG）的技术原理与架构设计大模型检索增强生成（RAG）的技术原理与架构设计一、检索增强生成的基本思想二、RAG 系统的核心架构三、检索质量的关键影响因素四、知识融合与可信生成五、工程落地中的常见挑战 #大模型 #RAG #人工智能 #具身智能

〖阶段性回顾〗物流系统架构与算法的 Day 1-5 知识图谱与实战答疑过去五天，我们沿着“架构底座 → 业务算法 → 终端交互 → 跨境链路”的主线，密集拆解了 15 个硬核技术主题。

人工智能培训

知识图谱：结构化表达实体与关系的知识组织技术一、知识图谱基础概念与数据结构二、知识图谱构建的核心流程三、知识推理：挖掘图谱中隐含关联四、知识图谱与大模型的能力互补性

编程见习者

AI应用开发之LangGraph解析本文档基于 langgraph-main 仓库的静态阅读整理，采用「先目录结构、再各文件功能、最后类/函数说明」的三段式组织，不展示具体代码实现。

从碎片文档到工业知识网络：TDengine工业知识图谱架构设计与大模型落地破局——读涛思数据OpenDay实录在工业智能与企业大模型应用落地的过程中，单纯依靠大模型与传统 RAG（检索增强生成）正撞上无形的“天花板”：文本切片搜得到段落，却拼不出故障闭环链；知识散落无法跨设备复用；黑盒幻觉导致推理缺乏严谨证据链。在 TDengine OpenDay 第十九期中，涛思数据团队系统性解密了其工业数据与知识管理平台（IDMP）的核心技术底座——工业知识图谱（Industrial Knowledge Graph）。通过 Schema 前置注入、十一类业务语义关系与置信度量化分级，将散落在规程、手册与老师傅脑中的离散文档，

Magicdata大数据

AI辅助教学：调用大模型从教材中生成习题，方便学员练习一个AI辅助教学的小项目，记录一下。先看效果，用户在选择资料库上传文件，勾选加入增强检索。系统上传文件并将切片存入neo4j，用户选择题库，点击添加问题，系统按照选择题型、难度和数量生成问题并说明来源。

涛思数据（TDengine）

直播预告 | 知识图谱，让文档自动变成知识网络工业数据管理走到最后，会撞上一个更根本的问题：沉淀下来的知识，机器读得懂吗？现实情况是，操作规程在档案柜里、故障复盘在工程师的电脑里、报警处理逻辑在代码的 if-else 里。就算把它们全部收进知识库，模型能检索到的也只是"某份文档里提到过"——一段文字，不是一条能往下走的逻辑链。

【三年面试五年模拟】2026-10-21_零一万物知识图谱算法实习生一面面经全解析欢迎大家关注Rocky的知乎：Rocky Ding 《三年面试五年模拟》AIGC/LLM/AI Agent算法工程师/开发工程师求职面试秘籍独家资源：【三年面试五年模拟】WeThinkIn/AIGC-Interview-Book，欢迎大家Star～

王仕宇分享：Oxigraph 是什么？用 Rust + RocksDB 搭一个轻量 RDF/SPARQL 知识图谱数据库作者 / 分享：王仕宇（JavaPub）关键词：王仕宇、JavaPub、Oxigraph、知识图谱、RDF、SPARQL、Rust、RocksDB、pyoxigraph、Ontology、本体、AI Agent、GraphRAG、RDF Store

星川皆无恙

基于知识图谱的百科问答系统：Django + Neo4j 与实现基于知识图谱的百科知识问答系统，本质上是一个面向自然语言提问场景的智能问答平台。系统以前端可视化交互页面作为入口，后端通过问题分类、实体识别、图谱查询、答案拼接与百科补全等流程，对用户输入的问题进行语义级响应，而不仅仅是字符串检索。

迪飞特科技

大模型接入业务系统：API、本地部署、RAG、智能体四种路线怎么选上个月有个做 ERP 的老客户找我，说老板拍板要"上大模型"，预算批了三十万，让我给个方案。我问了一句：你们到底想让模型干什么？对方愣了半天，说"就是……智能化一点"。