知识图谱

人工智能培训

打造行业知识图谱三步走

打造行业知识图谱三步走打造行业知识图谱三步走一、第一步：明确业务场景与知识边界二、第二步：抽取实体、关系与属性三、第三步：融合、清洗与持续更新四、为什么行业知识图谱需要“走对方向” 五、从起步到落地：避坑指南

多模态+neo4j+langchain构建知识图谱问答1.首先安装neo4j，我使用的华为镜像：docker pull swr.cn-north-4.myhuaweicloud.com/ddn-k8s/docker.io/neo4j:5.26.9-community

企智孪生 ETA （6.3 数字人格 (Digital Persona) 的构建工程、6.4 交互触点：全场景嵌入策略）【杭州联保致新科技有限公司卢伟舜】在传统企业智能化落地体系中，绝大多数智能交互产品局限于标准化话术输出，回复语气千篇一律、表达模式生硬固化，缺少岗位属性、企业文化与品牌温度，长期处于冰冷的工具化状态，用户无论是内部员工还是外部合作客户，都很难建立情感信任与深度使用粘性，这也是大量 AI 系统上线后使用率持续低迷、沦为闲置工具的关键因素之一。ETA 交互层创新性落地数字人格构建工程，核心目标是打破通用 AI 同质化表达弊端，依托精细化人格体系设计、3D 数字形象驱动、情绪联动话术体系，为不同岗位、不同业务线的 Agent 赋予专属性格、语言

打造行业知识图谱三步走打造行业知识图谱三步走一、第一步：明确业务场景与知识边界二、第二步：抽取实体、关系与属性三、第三步：融合、清洗与持续更新四、为什么行业知识图谱需要“走对方向” 五、从起步到落地：避坑指南

神经架构搜索深度解析（Neural Architecture Search, NAS）文档结束版本：v1.0 | 最后更新：2026-06-02

GitNexus 使用指南GitNexus 将代码仓库索引为知识图谱（包含依赖关系、调用链、功能集群、执行流），并通过 MCP 工具暴露给 AI 编程代理（Claude Code、Cursor、Codex、Windsurf 等），使其具备深层架构感知能力。

虹科网络安全

艾体宝产品|从知识孤岛到智能知识中心：Arango 如何重塑企业知识图谱大型企业的知识资产分散在文档、数据库、邮件、会议记录、专家头脑等多种形态中，形成“知识孤岛”。当员工试图回答“某项目使用了某技术，该技术的专家是谁，相关文档有哪些，类似项目的历史经验是什么”这类关联问题时，往往需要在多个系统中反复搜索，效率低下。更严峻的是，随着专家退休或离职，隐性知识流失难以挽回。而传统解决方案——无论是企业搜索引擎还是关系型数据库——在面对深层关联查询时，要么无法理解语义和关系，要么在 JOIN 性能上陷入瓶颈，三度以上关联查询响应缓慢，无法支撑交互式探索。

AI 代码知识图谱教程（三）| Understand-Anything（给人看）本文是「AI 图谱系列」专栏三。如果你是团队负责人或新人，需要"一眼看懂项目架构"，这篇文章是写给你的。

智能体：你的私人数字助理智能体：你的私人数字助理一、从“语音助手”到“真助理”：智能体的进化二、智能体的核心能力：感知、规划、行动三、真实场景：智能体如何帮你省时省力四、与传统应用的根本区别：主动性+个性化五、隐私与信任：智能体的必备底线

基因改造者

RAG 与知识图谱的区别两者不是替代关系，而是不同维度的技术：RAG 是一种系统架构/工作流，知识图谱是一种数据结构/知识组织方式。实际落地中经常融合使用（即 GraphRAG）。

人工智能培训

数字孪生建模常用方式有哪些？数字孪生是依托数字化手段构建物理实体、场景或系统的虚拟镜像，实现虚实映射、同步迭代、仿真推演的核心技术，而建模是数字孪生落地的基础与核心环节。数字孪生建模并非单一技术体系，而是结合几何形态、物理特性、运行规律、动态数据的综合建模工程。随着技术迭代，行业逐步形成多种成熟建模方式，适配智慧城市、工业制造、建筑工程、交通运维等不同场景。本文将详细介绍数字孪生主流建模方式，剖析其原理、特点与适用场景。

干掉幻觉实战：如何构建企业级知识图谱增强 RAG本文约 7200 字，读完大约需要 18 分钟如果你在生产环境部署过 RAG 系统，一定踩过这样的坑：

Understand Anything 简要使用文档Understand Anything 的 README.zh-CN.md在 VS Code Copilot Chat 中输入 / 开头的命令。

干掉“幻觉“实战：如何构建企业级知识图谱增强 RAG本文约 7200 字，读完大约需要 18 分钟如果你在生产环境部署过 RAG 系统，一定踩过这样的坑：

数字孪生：虚拟调试，真实交付数字孪生：虚拟调试，真实交付一、传统调试的痛点：现场“救火”模式二、虚拟调试：在数字世界里先跑一遍三、如何实现：从模型到控制器的全仿真四、真实案例：缩短工期，降低风险五、真实交付：从虚拟到实物的无缝衔接

数字孪生：虚拟调试，真实交付数字孪生：虚拟调试，真实交付一、传统调试的痛点：现场“救火”模式二、虚拟调试：在数字世界里先跑一遍三、如何实现：从模型到控制器的全仿真四、真实案例：缩短工期，降低风险五、真实交付：从虚拟到实物的无缝衔接

大模型落地行业第一线大模型落地行业第一线一、金融行业：智能风控与投顾助手二、医疗健康：从辅助诊断到患者管理三、制造业：知识助手与工艺优化四、教育行业：个性化助教与内容生成五、政务与客服：提升效率与可及性

从 ERP 出发：用图数据库 + 规则引擎落地供应链知识语义化本文面向有 ERP/业务系统背景的 Java 工程师，介绍如何从关系型数据库出发，通过图数据库和规则引擎渐进落地知识语义化，以供应链溯源与风险识别为核心场景，给出完整的架构设计和 Java 代码示例。

RAG 加速指南：Faiss / Milvus / Qdrant 向量库选型与调优三大主流向量数据库深度实测，附 Docker 一键部署配置与性能调优参数向量数据库是 RAG（检索增强生成）系统的核心基础设施。当你的知识库从几千条增长到百万、千万级时，向量检索的性能瓶颈就会彻底拖垮你的 AI 应用响应速度。