ChatGPT与大模型研究

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

近年来，大语言模型（LLM）已成为各行业中具有变革性的工具，在自然语言处理、内容生成和决策支持等方面带来了前所未有的能力。然而，能力越强，随之而来的安全挑战也越显著。本章提供了一套用于设计安全 LLM

在上一章中，我们探讨了 LLM 应用特有的 OWASP Top 10 风险，以及用于评估、排序和审视这些风险的相关框架。本章将重点讨论：如何把 OWASP Top 10 框架 适配并应用到多种多样的

本章将提供可直接落地的指导，帮助你缓解面向 LLM 应用的 OWASP Top 10 风险。内容将详细说明防御策略、分层控制措施以及运营最佳实践，帮助组织真正把这些缓解措施落实到系统中。 我们将带你系

本章将对 OWASP 面向 LLM 应用的十大安全风险 逐一进行深入画像分析。对于每一项风险，本章都会解释其底层脆弱性、潜在影响，以及该风险在真实 LLM 部署中是如何实际体现出来的。读者将对每一类风

一切从一场"魔法"开始 2022 年 11 月 30 日，OpenAI 将 ChatGPT 推向世界。 没有大规模广告投放，没有明星代言，仅凭口耳相传：上线 5 天，用户破百万；两个月，月活突破一亿。