知识图谱

SelectDB技术团队

阶跃星辰 Agent 可观测：Apache Doris / SelectDB 的技术能力与实践阶跃星辰使用 Apache Doris / SelectDB 在 Agent 可观测场景中解决了半结构化 JSON 实时存储与检索、全文检索与 OLAP 聚合一体化、高吞吐写入秒级可见三大核心问题，关键能力包括 VARIANT 半结构化列存、倒排索引、异步物化视图和 Stream Load 高吞吐写入。

AI Agent 工程化六层架构：从 Prompt 到 Production读懂 Loop Engineering / Graph Engineering / Harness Engineering。以及它们为什么不是又一轮 buzzword 炒作。而是构建生产级 AI Agent 的真正基础。

DM今天肝到几点？

英伟达发布 Nemotron 3.5 Lightning：31.6B 参数的“闪电”开源模型，本地智能体的新引擎摘要：2026 年 8 月 11 日，NVIDIA 推出 Nemotron 3.5 Lightning——一款 300 亿（31.6B）参数的开放权重混合专家（MoE）模型。它只激活 3.6B 参数，却跑出了近 670 tokens/秒的推理速度，性能对标 gpt-oss-120b。本文整合英伟达官方博客、Artificial Analysis 等公开信息，带你一文看懂这款“为本地智能体而生”的模型。

DM今天肝到几点？

Meta 开源 Muse Glimmer：30B 本地 Agent 模型技术深度解读稠密架构 + DFlash 投机解码，如何在消费级 GPU 上跑起完整的 Agent 工作流CSTN 技术分享 · 2026年8月11日

SelectDB技术团队

Apache Doris 4.1：面向 AI & Search 的统一数据存储与检索底座技术能力一句话摘要：Apache Doris 4.1 在 AI & Search 方向系统性演进，包括 IVF/IVF_ON_DISK 向量索引（查询性能最高 +4×、百亿至万亿级向量存储）、search() 全文检索（ES query_string 兼容 + BM25 + Nested）、100MB JSON 文档原生存储、Segment V3 宽表元数据解耦（打开 +16×、内存 -60×）、SSB/TPC-H/TPC-DS 性能 +14.3%/+22.6%/+19.1%，并将 ClickBench 100G

本体论转向：作为实验世界形式化模型的Ontology在第2章中，我们已经严格证明：纯粹基于数据的统计学习系统无法突破相关性的牢笼，必须注入结构化的因果知识，方可进行干预和反事实推理。这就引出一个根本问题：这种因果知识应当以何种形态被形式化、存储和计算？工程师对实验的认知能力，源自其心智中对设备、物质、过程和物理定律的一种内在表征。这种表征不是一串数据列，也不是一个黑箱神经网络，而是一个由概念、关系和规则构成的世界模型。要使机器具备类似的认知能力，我们必须为它构建一个外在的、可计算的类似物。这个类似物，在人工智能与知识工程领域，被称为本体（Ontology

第四章查询与推理能力代码知识图谱（Code Knowledge Graph, CKG）的价值最终要通过「查询」与「推理」兑现：前者决定 agent 能否以最小代价取得准确的结构化事实，后者决定工具能否跨越单点事实回答「改这一处会波及什么」「这条数据流从哪来」之类的高阶问题。本章在第三章（抽取与增量）所确立的图结构之上，从表达力层级、查询语言暴露策略、MCP 集成粒度、推理能力矩阵、检索范式五个维度，系统比较 Graphify、GitNexus、CodeGraph 三者，并归结到评测模型 D5（查询表达力）与 D6（集成面）的

VLA：驱动具身智能迈向通用的关键引擎VLA：驱动具身智能迈向通用的关键引擎一、具身智能的时代命题二、VLA 是什么：从三模态统一说起三、为什么 VLA 对具身智能至关重要（理论） 3.1统一表征，打破"模块鸿沟" 3.2语言成为"零样本接口" 3.3互联网知识迁移，放大泛化能力 3.4数据飞轮：仿真与真实高效协同 3.5可解释与可对齐四、典型架构剖析五、代码实践 5.1 最小 VLA 的 PyTorch 实现（教学） 5.2 使用 OpenVLA 进行真实推理（生产实践） #VLA 模型 #具身智能 #人工智能进阶 #视觉语言动作

Graphify vs GitNexus vs CodeGraph — 三工具架构深度对比比较三个来自不同语言生态、不同团队、不同商业模式的系统，最容易犯的错误是"按各家自己的说法罗列一遍"。Graphify 的文档以"管线阶段"组织，GitNexus 的文档以"抽象层"组织，CodeGraph 的文档以"用户可感知的功能"组织——直接照搬任何一家的叙事框架，都会让另外两家变形。

一个数据大开发

Skill、Tool、SOP、MCP 文章合集本合集包含以下三篇文章：本文从企业应用架构视角，系统说明 Skill、Tool、SOP、MCP 的定义、边界、相互关系，以及它们如何与 ERP、CRM、WMS、BI、OA、数据库和第三方 SaaS 协同工作。

知识图谱skill---name: schema-driven-wikidescription: "Obsidian 知识库维护技能。当用户提到以下任何关键词时自动调用此技能：知识库、wiki、写进知识库、更新知识库、记到知识库、查知识库、知识库里有、帮我记一下、帮我整理、Ingest、Query、Lint、Obsidian、vault。支持三大工作流：Ingest（导入新知识）、Query（查询知识）、Lint（健康检查）。所有页面使用 [[wikilink]] 双向链接，维护 wiki/index.md 总索引和 wi

深圳行云创新

北极星知识图谱平台｜太空越来越“拥挤”，知识图谱如何预测空间碎片碰撞风险？清晨，卫星运行团队收到近距离交会预警：一颗在轨卫星或将与其他空间目标近距离掠过，屏幕显示目标编号、交会时间、预估距离与碰撞概率。寥寥几组数据，背后却是复杂研判。

梦想的颜色

2026 AI Agent 工程师完整技术图谱｜从面试题「什么是本体 Ontology」切入，附精选面试题库2026 年，AI Agent 已经脱离 Demo 阶段，企业招聘不再只考察 ReAct、Function Calling 基础概念。大量中高级面试会抛出更深层次问题：什么是本体（Ontology）？本体在企业级 Agent 中解决什么痛点？本体和 RAG、知识图谱有什么区别？

让网页“活”过来 —— 用AI打造会自主学习的动态知识图谱传统的网站只是信息的陈列馆，而新一代AI工具让网页变成了有生命的“知识向导”。你有没有过这样的经历：为了弄清楚一个概念，你打开了十几个浏览器标签页，看了半天，脑子里还是一团浆糊。那些内容不是不相关，就是太零散，你得像拼拼图一样自己把它们拼起来。

AI Agent 在代购系统中的三个落地实战：从知识图谱到自动化链路## 引言：从 FedEx 案例说起，AI Agent 到底该怎么用？最近看到一个 FedEx 的案例：两位工程师用不到 4 个月重建了整个平台，AI 生成的代码占比相当高，而每月基础设施成本却控制在一个很低的水平。这个案例让我重新思考一个问题：AI Agent 到底该怎么用？

暴躁的大熊

机器学习中的知识图谱：概念、核心技术与应用场景在人工智能飞速发展的今天，大语言模型（LLM）已经在通用任务上展现出惊人的能力，但其在落地应用中仍面临两大结构性瓶颈：参数化记忆的不可靠性和事实性缺失。据IDC 2026年发布的白皮书显示，在金融风控、工业运维、医药研发等高专业度场景中，纯向量检索RAG的错误率高达35%以上。正是在这一背景下，知识图谱（Knowledge Graph, KG）作为结构化知识的核心载体，正经历一场战略性回归，被重新定义为新一代AI系统的基础设施。

企业知识图谱实战：从文档堆到可推理的知识网络企业知识库建好了，RAG也接上了。文档切片、向量化、语义检索，该做的都做了。但真实业务场景很快就暴露出瓶颈。

AI应用开发工程师面试题库答案： Python成为AI首选语言的核心原因：常用AI库：答案：浅拷贝（Shallow Copy）：

深度拆解企业级 Agent 架构：LangGraph + 知识图谱 + 向量检索的协同设计大模型应用从单轮对话走向复杂任务执行，企业级 Agent 需要怎样的技术底座？大模型这两年进化太快，单轮问答、写文案、补代码……真正的坎出现在模型需要参与真实业务的时候。一份投标文件，从下载、解析、摘要提取，到数据填报、邮件发送，全链路要跑通。一个客服问题，得检索政策文档、核对客户画像、判断风险等级，再给出能直接执行的操作建议。这种任务链条长，分支多，上下文不能断，对底层架构的考验完全上了一个量级。

世界模型被视为破局关键世界模型被视为破局关键一、困局已至：大模型的物理盲区二、本质跃迁：从“预测下一个词”到“预测下一个物理状态” 三、能力跃升：从“被动执行”到“主动预演” 四、产业竞速：从学术概念到资本风口五、前路漫漫：早期阶段，但方向已定