知识图谱

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"。

for_ever_love__

知识图谱构建流水线实战：实体关系抽取的提示词、质量抽检与增量维护GraphRAG 也好、LightRAG 也好，效果的上限在建图质量——实体抽漏了、关系抽错了、同义实体没合并，图上全是毛边，查询时一步错步步错。这篇文章不讲框架怎么调用（前两篇讲过），讲构建流水的工程细节：抽取提示词怎么设计、批处理怎么做、质量怎么抽检、增量图谱怎么维护。这些才是自己搭图谱时真正花时间的地方。

小何好运暴富开心幸福

LangChain 与 LangGraph 核心要点总结定义：开发者使用自然语言向代码优化的大语言模型（LLM）描述问题，由 LLM 生成软件，程序员摆脱底层编码与调试。关键特征：用户通常在不完全理解代码底层机制的情况下，接受 AI 生成的代码。起源：由 Andrej Karpathy 于 2025 年 2 月提出，迅速成为新兴编码方式。对开发者技能的影响：

Historically Relevant Event Structuring for Temporal Knowledge Graph Reasoning时序知识图谱（Temporal Knowledge Graph，TKG）推理旨在利用沿时间轴分布的历史快照信息预测未来事件。现有研究主要从两个方面利用时序知识图谱的历史信息，即捕获近期各个快照的演化规律，以及建模全局历史事实之间的相关性。尽管这些研究取得了显著进展，但仍存在两方面不足：I）未能充分挖掘近期快照之间多粒度交互的影响；II）未能有效利用整个历史过程中与查询相关的重要关联所蕴含的丰富语义，尤其是那些对未来事件具有深远影响的历史事实。这些不足限制了模型对历史依赖关系及未来演化趋势的全面表征能力。为

企业自建 AI 智能体，成本差 8 倍还是 46 倍？10 月 14 日，一家以色列公司 Uvi 宣布完成 750 万美元种子轮。CT Innovations 领投，Cardumen、Mana VC、91 Ventures 参投。

当视频理解撞上大语言模型：一篇 37 页综述的全景拆解论文信息这篇综述的篇幅（37 页、300+ 篇引用、28 个模型逐个拆）在综述里算得上诚意之作，但它真正的价值不是"全"，而是把一个正在发生的范式迁移讲清楚了。开篇给的这张四阶段演化图，我建议做视频技术的读者都看一眼，因为它和视频编码的代际更替故事惊人地相似：

世界模型与智能体协同推理逻辑一、两种智能体推理范式：反应式推理与预测式推理二、世界模型支撑下 “规划 - 模拟 - 评估 - 执行” 循环机制三、世界模型实现反事实推理的底层原理四、世界模型、感知模块、决策模块之间信息协同逻辑五、协同推理体系的原理性短板 #人工智能 #具身智能 #智能体 #世界模

策略产品视角下的机器学习与知识图谱：从业务需求到模型落地本文是策略产品学习笔记的 CSDN 版本，适合产品经理、策略产品、数据分析、算法入门读者。核心观点：策略产品不用会调参，但要会定义问题；机器学习解决“预测”，知识图谱解决“关系”。

AI本体建模-------让 AI 真正「懂业务」的知识底座（四）前面三篇，我们把 GB/T 48000.3—2026 的五大组件、技术栈、十步法都捋了一遍。最后这篇聊一个最值得关心的话题：本体和当下火热的 Agent / 大模型，到底什么关系？

Claude 操作执行或者/Ctrl+D正常退出，会话 ID：805025da‑78c8‑440d‑9e6e‑4287c9b0fbc9，对话已经存磁盘，进程已释放，不会僵尸残留。

全息结构入门：Embedding、向量库、知识图谱的统一视角一句话结论：全息不是"每个碎片都能还原整张图"的科幻桥段——它是 I² = -N 在信息层面的严格投影。局部包含整体的编码结构，恰好就是 Embedding 向量、向量数据库索引、知识图谱子图的核心数学性质。全息深度 = 从局部恢复整体所需的最小信息量。

知芽 Notebook Skill：用单元记忆校验 AI 摘要引用的真实性在构建大语言模型（LLM）应用的工程实践中，开发者往往将"人在环内（Human-in-the-loop）"作为系统兜底幻觉的最终一道防线。但近期乔治城大学的一项大规模实证研究直接击穿了这一工程假设，暴露出由"AI 摘要扭曲记忆"引发的严重脏数据感染风险。