ChatGPT与大模型研究

写在前面 LLM 很强，但它「记不住」也「不靠谱」——幻觉、知识过时、推理不可追溯，这些老问题到今天也没被根本解决。 知识图谱（KG）很准，但它「建不动」也「用不活」——构建成本高、覆盖不完整、难以与

在上一章中，你已经开始了从 lo-fi 到 hi-fi 的过渡，而这也标志着我们的旅行规划应用正式进入实际的视觉设计阶段。到了这个阶段，保持专注、精确和有意识地设计就变得非常重要，因为你的高保真界面稿

你已经走了很长一段路！在完成第一批线框图之后，你现在已经准备好把关注点从“结构”转向“风格”了。在这一章中，你将开始塑造应用的整体观感，学习如何使用网格、色板、字体排印以及视觉效果。这些元素对于构建一

你已经走到了这样一个阶段：无论是 UX 流程，还是 Figma 的界面，你都已经具备了扎实的理解。现在，是时候把这些内容真正整合起来，开始设计我们这款旅行规划应用的用户界面（UI）了。将 UX 阶段产

在上一章中，我们探讨了 UX 流程中的基础要素，包括情绪板、用户画像和用户流程——这些都是塑造有意义且可用体验时不可或缺的工具。随着你继续往前推进，务必要把你的研究材料、洞察结论和规划资产放在触手可及

既然你已经熟悉了 Figma 的整体结构和核心功能，现在就该开始通过亲手实践来学习了。理解 Figma 如何运作的最佳方式，就是直接去使用它。而我们的起点不是设计文件，而是 FigJam 白板。乍看之

本章涵盖 理解知识图谱上的机器学习 探索图上常见的机器学习任务 理解节点与关系表示的作用 构建知识图谱是开发智能系统中的关键一步。它使我们能够从多个不同的数据源中获取整体性知识，并以一种支持探索、导航

本章涵盖 理解传统 NED 工具的局限性 将通用型大语言模型与领域本体结合用于 NED 通过最短路径检测、路径到文本的转换以及文本路径摘要，执行多步骤消歧 第 7 章聚焦于命名实体消歧（NED），重点

本章涵盖 将命名实体消歧与知识图谱技术结合起来 从多个来源构建知识图谱 执行高级分析 自然语言处理（NLP）技术在从非结构化数据中自动构建知识图谱（KG）的过程中发挥着关键作用。这个过程中的一项关键任

本章涵盖 将档案转化为知识图谱 图建模 数据归一化与清洗 实体解析 分析智识网络 在上一章中，我们讨论了如何利用最先进的机器学习（ML）技术——包括大型语言模型（LLM）——从非结构化数据中抽取复杂的

本章涵盖 从非结构化数据构建知识图谱 档案管理的复杂性：以洛克菲勒档案中心为例 使用大型语言模型抽取实体与关系 到目前为止，我们讨论的知识图谱（KG）主要建立在结构化数据之上，例如表格、知识库等。那么

本章涵盖以下内容： 构建并整合复杂知识图谱 探索知识图谱示例 理解分析与查询技术 使用 LLM 分析 KG 结果 本章将进一步加深我们对如何构建规模更大、结构更复杂的知识图谱（KG）的理解，并探讨如何

本章涵盖以下内容： 根据具体用例选择最合适的 KG 技术 构建一个用于支持临床医生工作的 KG 在 KG 之上执行分析与基于本体的推理 构建 KG 之所以复杂，是因为必须从不同数据源中抽取并整合信息，

本章涵盖以下内容： 智能顾问系统的设计概念与体系架构 混合系统如何利用 KG 与 LLM 的互补优势 在智能顾问系统中结合 KG 与 LLM 本章将探讨智能与智能行为背后的基础概念。我们讨论的核心，是

本章涵盖以下内容： 知识图谱导论 大语言模型导论 使用知识图谱与大语言模型构建数据驱动型应用 由 Google 的 Gemini 和 OpenAI 的 GPT 等大语言模型（LLM）驱动的生成式人工智

竞争已经转移了。 上个月，OpenAI 发布了文章 Harness engineering: leveraging Codex in an agent-first world。文中的核心结果是：3 名

本书已经讨论了 LLM 安全的多个方面。在本书最后一章中，我们将把视角投向 LLM 安全的未来，探讨正在出现的新型威胁，以及那些具有前景的防御创新。本章将涵盖 AI 能力持续进步所可能带来的影响、监管

本章聚焦于如何在生产环境中维持 LLM 系统的安全性与运行韧性。部署一个 LLM 系统，只是其生命周期的开始；若要确保它在后续阶段持续保持安全，就必须依赖严密的监控、有效的事件响应，以及基于运行经验所

本章将探讨如何把安全实践与安全控制嵌入 LLM 开发生命周期的每一个阶段。要构建安全的 AI 系统，必须采用一种覆盖全流程的综合性方法，在开发的每个环节中处理潜在漏洞——从最初的数据收集，到部署与监控