知识图谱

【AI应用开发实战】05_GraphRAG：知识图谱增强检索实战一句话摘要：本文深入解析 GraphRAG（Graph Retrieval-Augmented Generation）技术原理，基于 StockPilotX 项目实战，讲解如何通过 Neo4j 图数据库和内存图存储实现知识图谱增强检索，构建三元组关系模型，并通过子图查询和关系推理提升金融分析的准确性和可解释性。

KG_LLM图谱增强大模型

TKG-Thinker:通过智能体强化学习实现时序知识图谱的动态推理本文提出TKG-Thinker智能体,通过强化学习优化时序知识图谱问答,有效解决幻觉问题并提升多步推理能力。

从代码模式到智能模式:AI时代的设计模式进化论2025年CodeRabbit对470个开源PR的分析发现,AI协作生成的代码,"重大"问题是人工编写代码的1.7倍。更扎心的是,METR做的随机对照试验发现,经验丰富的开源开发者用AI工具反而慢了19%,尽管他们预测会快24%。

KG_LLM图谱增强大模型

给具身智能装上图谱大模型大脑，7B小模型超越72B大模型！层次化知识图谱让复杂机器人规划能力暴增17%，能耗大幅降低本文提出层次化过程知识图谱(HP-KG),通过构建涵盖任务-步骤-动作的三层结构,显著增强小规模大语言模型在复杂机器人操作任务中的规划能力,使7B模型性能超越72B模型,同时大幅降低具身智能的能耗需求。

KG_LLM图谱增强大模型

MinerU:开源高精度文档内容提取解决方案——为大模型时代构建高质量数据基础设施MinerU是一款开源的高精度文档内容提取工具,专为应对大语言模型时代对高质量文档数据的迫切需求而设计。该系统基于PDF-Extract-Kit模型库,通过精细化的预处理和后处理规则,实现了对学术论文、教科书、试卷、研究报告等多种文档类型的高质量内容提取。实验结果表明,MinerU在处理复杂布局和公式识别方面表现卓越,为RAG应用和大模型训练提供了可靠的数据基础。

麦麦大数据

M003_中药可视化系统开发实践：知识图谱与AI智能问答的完美结合编号： M003 视频： https://www.bilibili.com/video/BV1QxZkBmEWC/

思通数科人工智能大模型

电力巡检无人机和工程车“空地一体”AI全域巡检方案核心痛点：从“看不见”到“管不住” 传统的电力巡检面临着三维空间的感知断层：高空盲区与风险：跨越深山、江河的巡检，人工无法触及，且高空作业事故率居高不下。定位精度缺失：发现缺陷后，无法精确描述其在地理空间中的经纬度及海拔高度，导致消缺人员“找不准、走错路”。非结构化数据堆积：海量视频无法自动关联台账，隐患无法在地图上形成历史演化曲线。深度方案：构建“视觉+时空”数字全域体系思通数科通过“AI视频卫士”将计算机视觉与GIS地理信息系统深度融合，构建起一个多维协同的立体巡检网络。空中感知层：大疆无人

双语思维视域下54个学习理论的时间谱系与认知透视：一种基于感性语言与理性语言互动的学习理论重构一种基于感性语言与理性语言互动的学习理论重构图1.思维导图：54个学习理论间关系知识图谱摘要：本文从双语思维视角系统梳理了54个学习理论的发展谱系，构建了感性语言(S)与理性语言(R)互动的分析框架。研究发现：学习理论经历了从侧重感性机制(行为主义)、到关注理性结构(认知主义)、再到探索两者融合(建构主义等)的演进历程。在人工智能时代，技术为双语思维整合提供了新可能：机器可扩展感性体验、协作理性思考、促进两种语言的"即时翻译"。未来学习将是人类与智能机器组成的"双语思维共同体"，通过感性直觉与理性计算的互

KG_LLM图谱增强大模型

LLM能否通过语料库统计量成为可靠的检索触发器？本文提出QuCo-RAG框架，通过预训练语料库统计量而非模型内部信号来量化不确定性，解决动态检索增强生成中的幻觉问题。该方法在多跳问答任务上相比最优基线提升5-12个EM点，并可迁移至未公开训练数据的模型，为动态RAG建立了基于语料库验证的新范式。

智能体大赛核心功能可信文献检索与系统性知识梳理如图3-1所示，“智研星图”的核心功能围绕三个相互关联且层层递进的模块展开，共同构成了一个完整的研究闭环。

智慧系统工程实践：从人机互助至人机协同智慧系统工程实践：从人机互助至人机协同摘要：“智能”一词在当代话语中已成为混沌的能指，同时承载认知能力、信息内容、计算过程与本体本质四重含义。本文基于汉语“智”与“能”的天然区分，提出融智学作为智慧系统工程的基础理论，将“智”重新定义为“信息处理 + 选择用意”。理论建构于三大定律之上：(1)第一定律（序位关系唯一守恒）为每一个基本单元（如汉字）赋予唯一且守恒的ID，其感知形式记录为GE，构成绝对参照系；(2)第二定律（同义并列对应转换）基于ID构建跨模态、跨层级的同义网络，枚举所有可能路径；(3)第三定

探索MATLAB下考虑V2G的光储充一体化微网多目标优化调度策略MATLAB代码：考虑V2G的光储充一体化微网多目标优化调度策略关键词：光储充微网电电汽车V2G 多目标优化蓄电池优化调度参考文档：《光伏微网下考虑V2G补偿蓄电池容量的双目标优化调度策略仿真平台：MATLAB 平台优势：代码注释详实，适合参考学习，相关成果已经采用，程序非常精品，请仔细辨识！主要内容：过建立光伏微网中以经济性和并网负荷波动率为双目标的蓄电池和V2G的协同调度模型。采用粒子群算法，对电网、微网调度中心和电动汽车用户三方在无、无序、转移和调度V2G电动汽车负荷四种运行模式下

大模型架构演进：从Transformer到MoE大模型架构演进：从Transformer到MoE一、 Transformer的辉煌与局限二、 MoE：用“稀疏激活”撬动模型容量三、 MoE为何成为大模型新范式？四、典型实践：从GLaM到Qwen-MoE 五、挑战与未来方向

人工智能培训

大模型架构演进：从Transformer到MoE#Transformer#MoE（混合专家）#稀疏激活#专家#模型容量

大模型架构演进：从Transformer到MoE大模型架构演进：从Transformer到MoE一、 Transformer的辉煌与局限二、 MoE：用“稀疏激活”撬动模型容量三、 MoE为何成为大模型新范式？四、典型实践：从GLaM到Qwen-MoE 五、挑战与未来方向

KG_LLM图谱增强大模型

AI临床决策助手实战：基于真实临床场景的交互式可解释 AI智能体系统研究Augmenting Clinical Decision-Making with an Interactive and Interpretable AI Copilot: A Real-World User Study with Clinicians in Nephrology and Obstetrics

python零基础入门小白

2025年Agent概念落地，2026年智能体生产力基础设施：如何规模化部署Agent？收藏这份学习指南！本文探讨了Agent智能体在2025年概念的扎根和开源生态的爆发，以及模型在真实工作能力上的进步和专用化趋势。文章重点分析了企业从一次性Agent实验转向大规模运行所面临的关键问题，并提出了企业级Agent栈的五大层（上下文、模型、编排、安全、交互）及核心闭环，强调开放架构的重要性，避免陷入单体平台的局限。

开放知识图谱

论文浅尝 | PathMind：基于检索-排序-推理的知识图谱大语言模型推理框架（AAAI2026）笔记整理：杨再润，浙江大学硕士生，研究方向大语言模型后训练论文链接：https://arxiv.org/pdf/2511.14256

KG_LLM图谱增强大模型

Palantir官方深度解析本体 Ontology系统及知识图谱、大模型：企业自主决策的核心AI引擎摘要Palantir本体系统是企业自主决策堆栈的核心组件，旨在整合企业数据、逻辑、行动和安全性，构建知识图谱实现跨运营的自动化决策。该系统通过统一异构数据源、建模企业行动、编码业务逻辑和编排安全策略，为人机协作团队提供可扩展的实时操作平台。本体系统支持数百万次读写操作，协调从数据湖到实时系统的异构基础设施，并通过强大的开发工具链赋能开发者和AI代理构建生产级应用。这是一个将专业知识转化为共享基础设施的"工具工厂"，支持数千名人类和代理进行数百万次决策。