AI-知识图谱
18篇文章 · 0订阅
  • Dify实战--基于菜谱的RAG系统
    在人工智能技术飞速发展的今天，如何快速构建一个实用的智能问答系统成为了许多开发者关注的重点。本文将介绍如何利用Dify和Neo4j图数据库，构建一个基于菜谱知识的RAG系统
    工作流引擎 LLM 产品经理
  • 模块化RAG技术路线图(Modular RAG Technical Map)：从基础Naive RAG 到高级Advanced，再到Modular RAG全方位
    模块化RAG技术路线图(Modular RAG Technical Map)：从基础Naive RAG 到高级Advanced，再到Modular RAG全方位技术解读 1.RAG 产生 为什么不直接
    人工智能
    模块化RAG技术路线图(Modular RAG Technical Map)：从基础Naive RAG 到高级Advanced，再到Modular RAG全方位
  • 基于预生成 QA 对的 RAG 知识库解决方案
    基于预生成 QA 对的 RAG 知识库解决方案,采用创新的问答对生成方法，相比传统文本切片技术，能够更精准的构建知识库，显著提升检索与问答效果。
    AI编程
  • 构建由 LLM 驱动的 Neo4j 应用程序——LLM、RAG 与 Neo4j 知识图谱简介
    人工智能（AI）正从小众和专业领域逐渐走向大众，更加易于使用，能够辅助日常任务。其中最典型的例子便是生成式人工智能（Generative AI，简称 GenAI）的爆发式发展。近年来，GenAI 以其
    LLM AIGC LangChain
    构建由 LLM 驱动的 Neo4j 应用程序——LLM、RAG 与 Neo4j 知识图谱简介
  • 人工智能NLP--特征提取之词嵌入(Word Embedding)
    一、前言 在上篇文章中，笔者详细讲解介绍了人工智能自然语言处理特征提取中的TD-IDF型文本处理方法，那么接下来，笔者将为大家揭晓，目前阶段，在特征提取，也就是文本数据转成数字数据领域内最常用也是最好
    算法 人工智能 NLP
    人工智能NLP--特征提取之词嵌入(Word Embedding)
  • ​​📈 15分钟构建AI工作流：LangGraph+Dagre自动排版全解​​
    一、LLMOps多应用架构设计 1.1 蜂巢架构（Beehive Architecture） 核心特性： 模块解耦：各服务独立部署（如RAG/Agent/插件） 统一API层：通过标准化接口实现服务协
    人工智能 Agent LLM
    ​​📈 15分钟构建AI工作流：LangGraph+Dagre自动排版全解​​
  • 大厂技术实现 | 详解知识图谱的构建全流程 @自然语言处理系列
    目前，随着智能信息服务应用的不断发展，知识图谱已被广泛应用于智能搜索、智能问答、个性化推荐、情报分析、反欺诈等领域。本篇是『知识图谱构建与落地实践』的起始篇，研究知识图谱的构建流程与技术细节。
    人工智能 算法 NLP
    大厂技术实现 | 详解知识图谱的构建全流程 @自然语言处理系列
  • GitHub开源史上最大规模中文知识图谱
    近日，一直致力于知识图谱研究的 OwnThink 平台在 Github 上开源了史上最大规模 1.4 亿中文知识图谱，其中数据是以（实体、属性、值），（实体、关系、实体）混合的形式组织，数据格式采用 csv 格式。到目前为止，OwnThink 项目开放了对话机器人、知识图谱、语义...
    GitHub
  • vue实现前端知识图谱功能
    开发准备 开源的vue知识图谱展示组件：relation-graph，很好用，重点免费 配置说明 http://relation-graph.com/#/docs 如何使用 1，首先，使用npm或者c
    前端
  • 传统RAG vs 知识图谱：大模型时代的知识管理革命
    引言：为什么需要突破传统RAG？  在大模型应用落地的浪潮中，检索增强生成（RAG）技术通过连接外部知识库，有效缓解了模型的幻觉问题。然而，当面对复杂关系推理、多文档关联分析等场景时，传统RAG的局限
    人工智能
    传统RAG vs 知识图谱：大模型时代的知识管理革命