
简介
该用户还未填写简介
擅长的技术栈
可提供的服务
暂无可提供的服务
在维基百科的官方词条中:知识图谱是Google用于增强其搜索引擎功能的知识库。本质上, 知识图谱旨在描述真实世界中存在的各种实体或概念及其关系,其构成一张巨大的语义网络图,节点表示实体或概念,边则由属性或关系构成。现在的知识图谱已被用来泛指各种大规模的知识库。在具体介绍知识图谱的定义,我们先来看下知识类型的定义:知识图谱中包含三种节点:实体: 指的是具有可区别性且独立存在的某种事物。如某一个人、某

RAG(检索增强生成)技术融合了信息检索与文本生成,通过动态检索外部知识库解决大模型的"幻觉"问题。其核心流程包括检索相关文档、将结果作为上下文输入、生成最终答案。文章详细介绍了RAG的知识库构建方法(文本分块与向量化)和知识图谱应用(实体关系抽取与图谱索引),并提供了Prompt+RAG的实战策略,如多路召回技术和结构化输入设计。为帮助读者深入理解,文章还分享了大模型学习路线
针对所有自学遇到困难的同学们,我帮大家系统梳理大模型学习脉络,将这份。等, 😝有需要的小伙伴,可以。(安全链接,放心点击)谁的饭碗又将不保了?掌握AI工具的技术人。

我曾经尝试过构建知识图谱,但没有成功。对企业或团队而言,构建知识图谱的好处远远不值付出的巨大努力。不过,那时 LLM 还没有出现。当我得知 LLM 可以从纯文本中提取图谱信息,并将其存储到像 Neo4J 这样的数据库时,我非常震惊。但这些实验性的功能仍然不够完善。我认为它们目前还不适合直接用于生产环境,至少需要进行一些调整和优化。在这篇文章中,我介绍了两种帮助我提升知识图谱构建质量的技术。希望对你

现在是使用大语言模型 (LLMs) 构建产品的激动人心的时刻。在过去的一年中,LLMs 的表现已经“足够好”可以应用于现实世界。LLMs 改进的速度,加上社交媒体上的大量演示,将推动预计到 2025 年 AI 投资达到 2000 亿美元。LLMs 的广泛可用性,让每个人,而不仅仅是机器学习工程师和科学家,都能在他们的产品中构建智能。虽然构建 AI 产品的门槛已经降低,但要创建那些不仅仅是演示效果好

随着人工智能技术的不断发展,知识图谱与大模型(Large Language Model, LLM)的结合在垂直行业中的应用正逐渐成为趋势。在电力行业这一复杂、多样的领域,智能客服系统正在借助知识图谱与大模型的力量,为用户提供更精准、更高效的服务。这篇文章将从实践出发,深入探讨如何通过技术架构优化和实际场景应用,实现智能客服系统的全面升级。

GraphRAG:结合知识图谱的检索增强生成技术 针对传统RAG在关系推理、数值处理和全局理解上的不足,GraphRAG引入知识图谱技术,通过构建结构化知识关系网络提升检索能力。微软2024年开源方案显示,GraphRAG利用LLM将非结构化数据转化为知识图谱,支持图查询和深度推理,在库存预测等场景中结合上下文逻辑关系,显著改善回答准确性。相比传统RAG的片段式检索,GraphRAG能捕捉隐性关联

2022年末,聊天程序ChatGPT的上线,在短短5天被注册用户就破百万。ChatGPT的爆火,在一夜之间,带领人类穿越到了真正的人工智能时代。本文会从ChatGPT作为切入点,在介绍其底层的GPT模型诞生史后,再深入浅出地讲解大语言模型(LLM)及工作原理。在整篇文章中,从点到面到又介绍了自然语言处理(NLP)、深度学习、Transformer模型等,让你对LLM和AI领域有更加清晰透彻的理解。

大语言模型(LLM)在处理复杂推理任务时,往往难以一次性生成准确的答案。虽然如Self-consistency(自一致性)和Best-of-N(N选一)等在一定程度上提高了模型的推理性能,但它们依赖于候选回答的质量,且在所有候选回答都错误时无法生成正确答案。基于此,本文介绍《CoT-based Synthesizer: Enhancing LLM Performance through Answe

生成式人工智能(Generative AI,一般简称为Gen AI)”是一种人工智能技术,专注于创造或生成新的内容,例如图像、文本或音乐。这些内容不是直接复制或派生自现有的示例,而是由计算机自己创造的。生成式AI的一个重要应用是生成文本,比如自动写作、诗歌创作或对话生成。“大型语言模型(Large Language Models,LLMs)”是一类生成式AI,它们通过深度学习算法在大量自然语言数据
