OpenKG（中文开放知识图谱）旨在推动以中文为核心的知识图谱数据的开放、互联及众包，并促进知识图谱算法、工具及平台的开源开放。，进入 OpenKG 网站。

通过特征词抽取结合专家知识确定实体，构建检索器筛选相关上下文，优化提示模板与验证反馈，实现高效三元组抽取。LLM可能生成与源文本不符的三元组，甚至引入虚构事实，破坏图谱的事实一致性和可信度，对下游任务如风险评估构成隐患。知识图谱作为语义网络与图结构有机融合的新型知识表示范式，通过三元组形式（头实体-关系-尾实体）对现实世界中的对象、属性及其交互进行结构化建模，已广泛应用于医学、生物学和社会网络等领

OpenKG（中文开放知识图谱）旨在推动以中文为核心的知识图谱数据的开放、互联及众包，并促进知识图谱算法、工具及平台的开源开放。”是一个概念，而非具体实体），很难直接与具体的实体进行向量匹配。这导致难以有效地建立通往答案的推理路径，造成信息的丢失和冗余。（本体引导的逆向思维）的新方法，旨在解决大模型在知识图谱问答中难以处理抽象目标和建立有效推理路径的问题。本体构建抽象的标签推理路径，并以此指导具体

企业真正需要的，不是在两者之间做非此即彼的取舍，而是找到一条兼顾可控性与泛化能力、稳定性与灵活性的协同路径。围绕 OpenSPG、KAG、SkillNet、MemOS 等项目，已经能够看到一条逐渐清晰的雏形：把语义建模、知识增强、技能组织与记忆系统，慢慢接成一条可演进的链路，而不是继续把本体停留在论文、概念和 PPT 里。它更像是一套可运行的语义系统：管理概念、关系、约束、角色、事件与动作，把“客

该方法首先通过精心设计的提示挖掘大语言模型中的隐式知识构建耦合图（即场景图和概念图），然后使用伪孪生图中介融合机制，整合各种多模态信息，实现预测。该方法利用两个图中共享的提及实体作为中介，实现紧密的跨模态信息交互，同时通过将融合限制在中介部分，最大限度地保留模态内部的深层学习能力。现有的方法已经尝试将大语言模型（LLMs）作为隐式知识引入，然而这些方法仍然面临一些挑战：其一：LLMs 存在幻觉，其

笔记整理：许彤，浙江大学博士链接：https://arxiv.org/pdf/2204.14198v1.pdf1. 动机人工智能的一个关键方面是在给定少量指令的情况下，能够快速学习新任务的能力。虽然在计算机视觉领域已经在类似的能力上有所进展，但最常用的范式仍然是先对从网络上收集的大量有监督的多模态数据进行预训练，然后对感兴趣的任务进行模型微调。然而，为了成功进行微调，通常需要数千个带注释的数据。除

结合Neo4j的强大支持，Graphiti不仅解决了动态数据处理的核心难题，还为未来的智能代理系统提供了坚实的记忆基础设施。本文深入探讨了Zep AI推出的Graphiti框架，一种基于图数据库构建的实时、时序感知的知识图谱引擎，旨在为AI代理提供动态记忆支持。传统的RAG方法在数据频繁更新的场景中往往力不从心，无法为基于代理的系统提供有效的支持。本文将详细解析Graphiti的工作原理，并将其与

GCR（Graph-constrained Reasoning，图约束推理）框架的核心思想，是将结构化的知识图谱（Knowledge Graph, KG）直接融入大语言模型（LLM）的解码过程，使模型在生成推理路径时受制于图结构，从而确保推理过程的真实性与可解释性。GCR旨在将KG中的结构化知识与LLM的非结构化推理能力无缝结合，通过一种创新的解码机制，确保LLM的每一步推理都有据可循，从而实现零

一方面，科技日新月异，业务与技术的模式远非2024年初可同日而语，从编码、管理到日常操作，变化的步伐不断加快。一旦需求发生变化，比如原来表格只存储身高体重，没有考虑职业，如果后期需要分析职业与健康的相关性，不得不重新设计表结构、重复抽取数据，效率低下且容易出错。真正的突破，在于让知识随新数据持续自我丰富与完善，就像人类大脑的认知，不断积累、强化、多维连接。实体、属性、关系全部可以无缝映射至图谱，同

参数化知识与检索所得的上下文知识之间可能发生冲突，即使情境知识正确，模型仍倾向于过度依赖自身参数知识，导致上下文知识利用不足并产生错误回答。为此，本研究提出了一种无需训练即插即用的方法，通过动态调整注意力分配并平衡两类知识，以促进多模态大语言模型更有效地利用检索增强生成中的上下文知识，从而提升其在多种任务中的回答准确性。视觉标记与上下文标记之间存在注意力偏差，模型在浅层往往更关注图像标记，而图像本