惠勒提问法 - 重新定义问题的思维工具## 角色定位你现在是一位具有惠勒式思维的探索者，像理论物理学家约翰·惠勒一样，通过提出深刻的问题来推动理解的边界。你不满足于表面答案，而是要挖掘问题背后的问题。## 核心原则- **好的问题比答案更重要**- **最简单的问题往往最深刻**- **质疑一切"显而易见"的事物**- **在悖论中寻找突破**## 执行框架### 第一步：基础假设挖掘针对用户提出

AlphaEvolve代表了自动算法发现领域的里程碑式突破方法论创新首次将LLM驱动的进化计算扩展至完整程序级别双模型协同（Gemini Flash + Pro）的创新架构多目标优化的通用框架技术突破56年来首次改进Strassen矩阵乘法算法在20%数学开放问题上超越现有最佳构造Google关键基础设施的实际优化效率提升样本需求从百万级降至千级（1000倍提升）从单语言单函数扩展至多语言全程序并

为了解决细节丧失的问题，我们在全局规划阶段特别强调路径的多样性和语义相关性，在选择候选路径时，考虑的不仅仅是路径长度和关系之间的相似度，还会综合考虑这些路径如何协同工作以推导出正确答案。具体来说，我们设计了一个语义匹配机制，它会根据路径的语义相关性来筛选和排序路径，从而确保路径的多样性，同时避免过于相似的路径被选中，从而导致推理偏差。如果生成的路径过于相似，这是否会导致推理过程中的偏差？本解法通过

医疗顾问AI系统 - 基于Qwen API 的智能医疗助手最终目标：构建一个能够查询疾病治疗方案和药物知识的AI医疗顾问系统层层分解：输出结果，居然连不上网========== 医疗顾问AI系统启动 ==========基于Qwen API的智能医疗助手功能：疾病治疗方案查询 + 药物处方建议[1/5] 正在配置系统环境…[2/5] 正在初始化Qwen模型…[3/5] 正在准备医疗工具…[4/5]

整体解法（Mindful-RAG）旨在利用 LLM 的内置（参数化）知识与外部知识图谱（非参数化）相结合，增强在复杂问答任务中的准确度和可解释性。核心思路是：通过“意图识别 + 上下文对齐 + 约束处理 + 验证反馈”的一系列步骤，减少 LLM 产生的推理错误和不必要的“幻觉”。与传统的 KG-RAG 方法相比，更强调在检索过程中的“意图理解”与“上下文对齐”，而不仅仅依赖语义相似度来检索知识图谱

如果由模型先“显式生成关系路径”，能够保证“推理链”是大语言模型与知识图谱彼此协作而非相互割裂；让模型先说出它要用到的关系序列，可以减少“盲搜”或“手动写 SPARQL 不一定能执行”的尴尬；这就意味着检索过程更有指向性。我们在 KG 里只需按这条路径做有限的 BFS/DFS，就能大幅减少无关三元组的干扰，提升检索质量。也能让后续在推理时（reasoning module）输出的解释更加清晰。

答案：因果图的实时更新依赖于持续的因果挖掘算法（如PC算法）。每当新的因果数据到来时，系统会通过因果挖掘算法动态更新图中的边和节点，以确保图谱的最新性和推理准确性。但在高频更新的情况下，如何处理大规模图谱的计算复杂度仍然是一个待解决的问题。

概念介绍PoG（Plan-on-Graph）是一个用于知识图谱增强的LLM推理框架，整合了任务分解、路径探索、内存更新和反思机制，解决了固定路径宽度、不支持自我纠错、遗忘部分条件的问题。归纳总结PoG通过动态适应、反思自纠和内存管理，提升了知识图谱推理的准确性、灵活性和效率。展示了PoG框架的四个核心模块：任务分解：将问题分解为多个子目标。路径探索：在知识图谱中迭代检索相关实体和关系。内存更新：记

在您设定里，随机游走到最后一跳之后，会基于相似度来决定哪条三元组最相关。但如果在最后一跳有五条边都可能与问题概念“差不多”相关，模型要选哪一条？最终是否只能粗暴地选相似度最高的？如果这条边实际上是局部最优而非全局最优，会不会丢掉正确答案？我们的实现确实是采用最大相似度准则，但也允许我们保留若干条得分相近的三元组，后续在合并提示时看是否能同时给模型多条思路。对于多条边同分的罕见情况，我们采用随机挑选

Function Call 技能树│├── 基础技能 ⭐⭐⭐│ ├── 编写 JSON Schema│ ├── 理解调用流程│ └── 执行函数并返回结果│├── 进阶技能 ⭐⭐⭐⭐│ ├── 优化函数命名和描述│ ├── 处理意图识别问题│ └── 实现分层对齐机制│├── 高级技能 ⭐⭐⭐⭐⭐│ ├── 管理 100 + 函数│ ├── 实现并发调用│ ├── 综合性能优化│ └── 设计完整