首页
AI Coding
NEW
沸点
课程
直播
活动
AI刷题
APP
插件
搜索历史
清空
创作者中心
写文章
发沸点
写笔记
写代码
草稿箱
创作灵感
查看更多
会员
登录
注册
确定删除此收藏集吗
删除后此收藏集将被移除
取消
确定删除
确定删除此文章吗
删除后此文章将被从当前收藏集中移除
取消
确定删除
编辑收藏集
名称:
描述:
0
/100
公开
当其他人关注此收藏集后不可再更改为隐私
隐私
仅自己可见此收藏集
取消
确定
知识图谱
订阅
江湖走马
更多收藏集
微信扫码分享
微信
新浪微博
QQ
20篇文章 · 0订阅
扣子(Coze)实战:懒人必备!小红书爆款日更仿写指南,照做就行
本文主要介绍了小红书图文笔记二创的工作流,可以大大的减少小红书运营的工作量,提升运营的效率。文中详细的介绍了工作流的搭建过程,包括工作流中使用的节点的详细输入输出、提示词等,照着文章可轻松搭建。
前端开发 AI Agent 智能体,需要掌握哪些知识?
大家好,我是双越老师。本文介绍前端人员开发一个 AI Agent 需要哪些核心技能,包括 LLM 提示词工程 langChain RAG 。对于前端转行 AI 工程师是一个很好的参考。
从原理到落地:RAG 技术全解析,手把手教你搭建专属知识库
RAG 的核心价值,就是做大模型的 “外置知识库”—— 无需微调,只需通过实时检索外部文档,就能让模型生成更精准、更实时、更合规的答案。
斩获59.4K星!一款本地部署的开源私人知识库工具!
RAGFlow 可以为各种规模的企业及个人提供一套精简的 RAG 工作流程,结合大语言模型(LLM)针对用户各类不同的复杂格式数据提供可靠的问答以及有理有据的引用。
学习 RAGFlow 的知识图谱功能
昨天我们学习了 RAGFlow 的 RAPTOR 分块策略,今天我们将继续学习另一种高级配置 —— 提取知识图谱(use_graphrag): 该特性自 v0.16.0 起引入,开启该配置后,RAGF
打造前端面试题库:利用大语言模型进行知识抽取の奇妙之旅!
探索如何通过知识抽取与数据清洗,打造属于自己的前端面试题库,分享从数据获取到清洗、结构化处理的完整实践经验。
腾讯云大学大咖分享 | 腾讯云知识图谱实践
知识图谱最早由谷歌公司在2012年提出,其使用语义检索的方法从多种语言的数据源(例如FreeBase、维基百科等)收集信息并加工,以提高搜索质量、改善搜索体验。实际上,2006年Tim Berner-Lee就提出了Linked Data也就是一种在万维网数据上创建语义关联的方法…
[知识图谱] 1.3-知识图谱怎么去做?
知识图谱怎么去做,这当然不是几句话说得清楚的。首先肯定要先基于自身的业务进行思考,这里整理一些知识图谱构建的主要路径。 2、编辑本体,给出业务知识表示框架:可以利用Protege进行本体编辑,获得一个用OWL表示的知识表示文件。 3、给本体补充实例数据:先找一些示例数据,便于理…
知识图谱(一):知识图谱与语义技术概览
1998年语义网(THe Semantic Web)被提出,它从超文本链接到语义链接。语义网是一个更官方的名称,也是该领域学者使用得最多的一个术语,同时,也用于指代其相关的技术标准。在万维网诞生之初,
从零开始的知识图谱生活,构建一个百科知识图谱,完成基于Deepdive的知识抽取、基于ES的简单语义搜索、基于 REfO 的简单KBQA
从零开始的知识图谱生活,构建一个百科知识图谱,完成基于Deepdive的知识抽取、基于ES的简单语义搜索、基于 REfO 的简单KBQA 个人入门知识图谱过程中的学习笔记,算是半教程类的,指引初学者对