知识图谱

奶油话梅糖

IMA 知识库体验（内有资源分享）：把资料变成可以提问的 AI 知识助手最近在整理网络安全设备相关资料时，我尝试使用了 IMA 知识库，并分享了一个关于“奇安信信创防火墙网神 SecGate3600”的知识库

呆呆敲代码的小Y

CodeGraph 使用教程：专为代码库打造的知识图谱CodeGraph 是一个本地优先的代码智能工具，专为 AI 编程助手设计。它的核心思想是：与其让 AI 代理每次都用 grep/glob/Read 重新扫描文件，不如预先建好一张代码知识图谱，让代理直接查图作答。

知识图谱与推荐系统实战知识图谱与推荐系统实战一、传统推荐系统的“天花板” 二、知识图谱：推荐系统的“第二只眼” 三、实战方法：图谱怎么“喂”给推荐系统四、实战案例：电商与内容平台的落地五、落地挑战与实战建议

SpringBoot 整合 Neo4j 实战：从零搭建经典小说知识图谱完整方案作为一名后端开发者，我对图数据库在复杂关系处理方面的能力一直很感兴趣。传统关系型数据库在处理多表关联查询时，随着数据量增长性能会急剧下降。比如查询"贾宝玉和刘姥姥之间的最短关系路径"，在MySQL中需要多次JOIN操作，复杂度极高。图数据库完美解决了这类问题。Neo4j采用原生图存储引擎，将数据以节点和边的形式直接存储，复杂关系查询能在毫秒级完成。在我的测试中，三度关系查询在百万节点情况下响应时间仍保持在毫秒级别。图数据库的核心优势：

期货波动知识图谱：从零构建金融期货波动关系图谱（附代码实战）关键词：期货知识图谱、波动传导、金融风险图谱、Neo4j、因果推断在期货市场中，价格从来不是孤立波动的。

基于知识图谱(Neo4j)和大语言模型(LLM)的图检索增强(GraphRAG)的数控车床主轴系统故障诊断智能问答系统b站演示视频与部署教程视频(点击这里) https://www.bilibili.com/video/BV1vKEE6dELs/?share_source=copy_web&vd_source=31c839f46a9a845dd6dd641cbd5c2ac1

用知识图谱重构搜索引擎用知识图谱重构搜索引擎一、传统搜索：关键词的“机械匹配”时代二、知识图谱登场：从“字面”到“语义” 三、搜索体验的重构：从十条链接到一个答案四、典型应用：主流搜索引擎的变革五、未来搜索：更深、更广、更个性化

人工智能培训

用知识图谱重构搜索引擎

【知识图谱】语义本体的演进之路：从严谨到敏捷的范式转变-关于作者:Aipollo **深耕领域：**大语言AI应用开发 / RAG 知识库 / AI Agent 落地 / 空间数据治理 **技术栈：**Python | RAG (LangChain / Dify + Milvus+mem0) | FastAPI + Docker **工程能力：**5年智慧城市/CIM/BIM领域数字化交付经验，2年聚焦AI应用工程化落地专注数字空间智能化、大模型部署、知识库构建与优化，智能体工程化能力

Qdrant Docker 部署教程：数据卷、API Key 和集合初始化本文记录一套 Qdrant Docker Compose 部署方式，适合内网知识库、RAG 检索、语义搜索和 AI 助手召回层。

人工智能培训

七大数字技术协同赋能开启全域智能数字化新时代当下，数字化转型已从单一技术应用迈入多技术深度融合的全新阶段。三维建模、物联网感知、大数据、AI算法、云计算、区块链、可视化渲染七大核心数字技术，各司其职、层层联动，构建起“感知-存储-计算-分析-呈现-安全-应用”的完整数字闭环，成为智慧城市、工业智造、智慧文旅、数字基建等领域的核心支撑，推动物理世界与数字世界深度共生、虚实融合。

人工智能培训

从GPT到开源大模型

从GPT到开源大模型从GPT到开源大模型一、 GPT的崛起：闭源大模型的“奇点时刻” 二、开源的力量：大模型不再是少数人特权三、核心差异：闭源 vs 开源，各有什么优劣四、开源生态：从LLaMA到魔搭，百花齐放五、未来展望：开源与闭源将长期共存

利用AI翻译视频做双语笔记，一套视频翻译到知识库沉淀的完整方案很多海外技术分享节奏都快，术语密，讲者还喜欢一边讲原理一边跳案例。你暂停做笔记，很容易丢上下文；你只看字幕，又很难把它真正沉淀到自己的知识系统里。

从GPT到开源大模型从GPT到开源大模型一、 GPT的崛起：闭源大模型的“奇点时刻” 二、开源的力量：大模型不再是少数人特权三、核心差异：闭源 vs 开源，各有什么优劣四、开源生态：从LLaMA到魔搭，百花齐放五、未来展望：开源与闭源将长期共存

星川皆无恙

基于BERT+LSTM+CRF与知识图谱的医疗智能问答系统实战：Neo4j图数据库+实体识别+意图分析完整项目文章更新时间：2026-06-08 项目类型：深度学习 / 知识图谱 / 医疗问答系统 / Python Web 项目技术方向：BERT、LSTM、CRF、Neo4j、Django、MySQL、jieba、pyahocorasick 适用场景：课程设计、毕业设计、医疗知识图谱项目、智能问答系统、自然语言处理项目、AI 全栈项目实战

呆呆敲代码的小Y

Understand Anything入门指南：代码库、知识库转化为交互式知识图谱当你刚加入一个新团队，面对 20 万行代码，你从哪里开始？Understand Anything 是一个 Claude Code Plugin，通过多智能体（multi-agent）架构分析你的项目，构建包含文件、函数、类以及依赖关系的知识图谱，并提供一个可视化交互界面，帮助你理解整个系统。不再”盲读代码”，而是从全局视角理解系统结构。

科研阶段记录2-上问题：在学习实体表示时，大多数基于注意力的GCN方法，没有考虑关系的方向信息观察发现： (1)不同的领域实体可能对学习一个中心实体做出不同的贡献 (2)具有不同类型关系（传入和传出）的领域实体可能为中心程序不同的语义含义

科研阶段记录2-下https://cnblogs.com/chengjunkai/p/16755674.html 论文翻译预训练模型被证明可以从文本中获得真实的知识，这促使着基于PLM的知识图谱补全（Knowledge graph completion, KGC）模型的提出，然而这些模型在性能上远远落后于KGC任务的SOTA。

智能体+大模型=新生产力智能体+大模型=新生产力一、大模型有了“手脚”，才算完整二、 “想”与“做”的分工：1+1>2 三、真实场景：新生产力已经落地四、为什么是“新”生产力五、挑战与未来：走向人机共舞