GraphRAG太贵用不起？这项新突破，让构建成本“断崖式”下跌！

Python_金钱豹 Python_金钱豹 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 800+累计阅读 839平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄5年
关注
原创 最新推荐文章于 2026-11-14 14:45:05 发布 839 阅读 AI 写同款· GEO 优化 ›
图引导概念选择：降低GraphRAG构建成本，提升RAG效率的新突破 华为云团队提出G2ConS框架，通过图引导概念选择技术显著降低GraphRAG构建成本。该方案采用核心块选择策略减少输入块，并通过概念图检索弥补知识缺口，在Musique等数据集上实现31.44%性能提升的同时降低成本80%。实验证明G2ConS在多跳问答任务中表现优异，其创新性的双路径检索策略为法律、医疗等专业领域的复杂推理任务提供了高效解决方案。 阅读详情

摘要

华为云研究团队提出G2ConS框架，通过图引导概念选择技术大幅降低图基于检索增强生成(GraphRAG)的构建成本，在多个数据集上实现31.44%的性能提升，同时将成本降低80%。

原文链接: https://t.zsxq.com/fm2El

前言：GraphRAG面临的挑战与机遇

在人工智能快速发展的今天，大语言模型(LLM)在问答系统中的应用越来越广泛。然而，传统的检索增强生成(RAG)方法在处理复杂的多跳推理问题时存在明显不足。为了解决这一问题，基于图的检索增强生成(GraphRAG)应运而生，通过构建知识图谱来捕获文档间的依赖关系，显著提升了复杂问答场景的准确性。

特别是在生物医学、法律和政治科学等专业领域，GraphRAG已被证明能够显著增强大模型的问答能力。然而，GraphRAG面临一个关键挑战：构建成本过高，这阻碍了其在实际应用中的部署。

华为云计算技术有限公司的研究团队针对这一痛点，提出了创新性的解决方案——图引导概念选择(G2ConS)框架。

一、G2ConS：革命性的效率提升方案

核心创新理念

G2ConS的核心思想基于一个重要观察：某些词汇（称为概念）及其相关文档比其他内容更加重要。基于这一洞察，研究团队设计了两个互补的策略：

  1. 核心块选择(Core Chunk Selection)

    ：选择重要的文档块以降低知识图谱构建成本

  2. 概念图检索(Concept Graph Retrieval)

    ：通过独立于LLM的概念图来弥补块选择带来的知识缺口

技术架构详解

1. 概念图构建

G2ConS首先从文本块中提取概念，并基于语义和共现关系构建概念图。与传统的GraphRAG不同，概念图的构建不依赖于LLM，因此可以实现零成本的知识补充。

图2：G2ConS框架概览图]

如图2所示，整个框架包含三个主要步骤：

  1. 概念提取和概念图构建
  2. 核心块选择和低成本核心知识图谱构建
  3. 双路径检索策略的实施
2. 问题定义与解决方案

传统的文本RAG通过将文档分割成文本块，并使用嵌入函数φ(·)对每个块进行向量化，构建块-向量对索引。在检索阶段，给定查询q，计算查询嵌入φ(q)并基于向量相似度搜索最相关的块。

GraphRAG的关键区别在于构建了一个图G=(V,E)，其中V表示节点集合（可能代表特定文本块或实体），E表示节点间的边集合。在检索过程中，GraphRAG采用局部搜索范式：首先通过计算节点-查询相似度识别与查询最相关的节点，然后通过广度优先搜索(BFS)扩展上下文。

3. 核心块选择策略

研究团队通过精心设计的消融研究发现，即使在相同的令牌数量下，移除高排名概念仍会造成更大的性能下降。基于这一观察，G2ConS提出了两个有效策略来解决构建成本和性能平衡的挑战。

对于第一个挑战，引入核心块选择，通过移除低排名概念来减少输入块，从而在不修改图构建过程的情况下降低构建成本。对于第二个挑战以及由块选择引起的知识缺口，提出概念图检索方案。

实验验证：卓越性能的有力证明

数据集与评估指标

研究团队在三个广泛使用的多跳问答基准数据集上评估了G2ConS的性能：Musique、HotpotQA和2wikimultihopqa。遵循先前工作的做法，从每个数据集的验证集中采样500个问答对，收集所有相关的支持和干扰段落来构建RAG的外部语料库。

评估指标包括：

  • 上下文召回率(Context Recall, CR)

    ：评估检索的上下文是否包含真实答案

  • 精确匹配(Exact Match, EM)

    ：测量与真实答案完全匹配的预测比例

  • F1分数

    ：通过令牌级重叠捕获部分正确性

  • BERTScore

    ：使用基于BERT的嵌入计算语义相似度

突破性实验结果

在Musique数据集上，G2ConS取得了最强的整体性能：

检索性能：相比LightRAG-Hybrid提升了22.3%的上下文召回率
生成性能：相比Fast-GraphRAG提升了47.8%的EM和54.0%的F1分数，相比MS-GraphRAG更是取得了54.7%的EM和73.2%的F1分数提升
效率表现：轻量级变体G2ConS-Concept在整体性能排名第二的同时，仅使用了G2ConS成本的0.6%，与Text-RAG相当，突出了方法的可扩展性

在HotpotQA数据集上，G2ConS实现了最先进的生成结果，相比MS-GraphRAG提升了2.0%的EM和4%的其他指标。

二、技术深度解析

参数优化研究

研究团队深入分析了两个关键参数对G2ConS性能的影响：

1. 核心块选择比例κ的影响

[图4(a)：不同κ值下的答案质量变化图]

实验结果显示，当κ增加到0.6时性能稳步提升，在[0.6, 0.8]范围内保持接近最优状态，超过0.8后开始下降。这一模式突出了PageRank在选择全局重要块中的作用。

2. 核心知识图谱权重λ的影响

当λ=0.2时性能快速增长，然后增长放缓，在λ=0.6时达到峰值后开始下降。这表明最优融合需要平衡G2ConS-Concept和G2ConS-Core-KG的贡献：λ值过小会导致结构化知识利用不足，过大则会削弱语义信号。

基于这些观察，研究团队将默认值设置为κ=0.8和λ=0.6，在各基准测试中都能获得稳健的性能表现。

核心优势分析

G2ConS相比现有方法的核心优势体现在：

  1. 成本效率革命性提升

    ：通过核心块选择策略，在保持性能的同时显著降低构建成本

  2. 知识补偿机制

    ：概念图检索有效弥补了块选择带来的知识缺口

  3. 广泛兼容性

    ：与主流GraphRAG方法兼容，可实现一致的成本效率和性能提升

  4. 双路径检索

    ：同时利用概念图和核心知识图谱的优势

三、实际应用前景与意义

产业应用价值

G2ConS的提出对多个产业领域具有重要意义：

法律行业：在法律文书检索和案例分析中，多跳推理能力至关重要。G2ConS能够高效处理复杂的法律推理问题。

生物医学研究：医学文献中的知识关联复杂，G2ConS可以帮助研究人员更好地发现药物相互作用、疾病机制等关键信息。

金融分析：在投资决策和风险评估中，需要综合考虑多个因素的关联关系，G2ConS提供了高效的解决方案。

技术发展意义

G2ConS不仅解决了GraphRAG的成本问题，更重要的是为RAG技术的产业化应用打开了新的可能性。平均31.44%的性能提升配合80%的成本降低，使得大规模部署成为现实。

四、未来发展方向

技术演进路径

基于G2ConS的成功经验，未来的发展方向可能包括：

  1. 更智能的概念提取

    ：结合深度学习技术提升概念提取的准确性

  2. 动态图更新机制

    ：实现知识图谱的实时更新和维护

  3. 多模态扩展

    ：将框架扩展到图像、音频等多模态数据

挑战与机遇

尽管G2ConS取得了显著成果，但仍面临一些挑战：

  • 不同领域概念重要性的评估标准需要进一步优化
  • 大规模部署的工程化实现需要更多实践验证
  • 与现有系统的集成成本需要综合考量

五、结论与展望

G2ConS作为一个高效的RAG方案，与主流GraphRAG完全兼容，其核心思想是通过共现关系挖掘核心概念，并使用这些核心概念过滤文本块，从而在数据层面降低GraphRAG的构建成本。

这项研究不仅在技术上实现了突破，更为RAG技术的产业化应用提供了实用的解决方案。随着人工智能技术的不断发展，G2ConS有望在更多场景中发挥重要作用，推动智能问答系统向更高效、更准确的方向发展。

对于专业从业者和投资人而言，G2ConS代表着RAG技术发展的新趋势，值得密切关注和深入研究。它不仅解决了当前技术面临的实际问题，更为未来的技术创新指明了方向。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

  • 大模型 AI 能干什么？
  • 大模型是怎样获得「智能」的？
  • 用好 AI 的核心心法
  • 大模型应用业务架构
  • 大模型应用技术架构
  • 代码示例：向 GPT-3.5 灌入新知识
  • 提示工程的意义和核心思想
  • Prompt 典型构成
  • 指令调优方法论
  • 思维链和思维树
  • Prompt 攻击和防范
  • …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

  • 为什么要做 RAG
  • 搭建一个简单的 ChatPDF
  • 检索的基础概念
  • 什么是向量表示（Embeddings）
  • 向量数据库与向量检索
  • 基于向量检索的 RAG
  • 搭建 RAG 系统的扩展知识
  • 混合检索与 RAG-Fusion 简介
  • 向量模型本地部署
  • …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

  • 为什么要做 RAG
  • 什么是模型
  • 什么是模型训练
  • 求解器 & 损失函数简介
  • 小实验2：手写一个简单的神经网络并训练它
  • 什么是训练/预训练/微调/轻量化微调
  • Transformer结构简介
  • 轻量化微调
  • 实验数据集的构建
  • …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

  • 硬件选型
  • 带你了解全球大模型
  • 使用国产大模型服务
  • 搭建 OpenAI 代理
  • 热身：基于阿里云 PAI 部署 Stable Diffusion
  • 在本地计算机运行大模型
  • 大模型的私有化部署
  • 基于 vLLM 部署大模型
  • 案例：如何优雅地在阿里云私有部署开源大模型
  • 部署一套开源 LLM 项目
  • 内容安全
  • 互联网信息服务算法备案
  • …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传优快云，朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】

在这里插入图片描述

标签
#人工智能 #大数据 #搜索引擎 #知识图谱 #elasticsearch
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
生产级Agentic RAG落地避坑指南：故障预埋与成本可控设计 Agentic RAG并非简单叠加Agent或升级RAG架构，而是将人类专家的判断链（路由-检索-验证-生成）工程化为可中断、可度量、可回滚的系统模块。其核心原理在于决策权的分层分配与失败机制的显式设计，技术价值体现在稳定性提升、成本压缩与风险收敛——例如规则优先路由可降低38%延迟，reranker作为‘空气滤芯’能阻断垃圾上下文污染。典型应用场景包括金融合规问答、保险智能客服、监管文档推理等强确定性、高容错要求的生产环境。本文聚焦真实落地中反复出现的‘慢响应、深递归、错语义’三类故障，揭示如何通过故障预 阅读详情

相关推荐

「文智助手」全场景办公AI助理AI+OPC全流程实践方案（大赛作品）

「文智助手」全场景办公AI助理AI+OPC全流程实践方案（大赛作品）

jks212454的博客 398

GraphRAG综述性文章解读

GraphRAG

weixin_54878690的博客 1208

船载 OpenHarmony AIS 航海工作台：告警与防碰撞预警系统

船载OpenHarmony AIS航海工作台的告警与防碰撞系统，集成十余类告警（超速、偏航、会遇、SOS等），通过网格空间索引实现高效邻近判定，保障实时性。告警管理器统一调度规则、去重、通知与日志，支持悬浮球、语音、跑马灯、弹窗多渠道触达，确保航行安全。SOS紧急通道独立运行，避免干扰。系统设计强调性能优化与多场景适配，为航海安全提供核心支撑。

专注于计算机研发知识和资讯分享 377

20251029

其解决方案的关键在于融合传统机器学习与基于图神经网络（graph neural network, GNN）的深度学习方法：首先利用XGBoost等经典算法对大规模基因表达数据进行特征筛选与初步建模，随后通过PANDA和LIONESS构建个体化转录因子-靶基因调控网络，并引入图注意力神经网络（GATv2）捕获患者层面非线性调控依赖关系，从而实现可扩展且具有生物学可解释性的转移潜能预测框架。现有研究往往忽略工具调用之间的依赖关系与执行顺序，导致模型难以应对实际场景中的复杂任务流。

无问的博客 332

RocketMQ5.3.0-control-多 Master 多 Salve-异步复制-集群搭建

RocketMQ5.3.0-control-多 Master 多 Salve-异步复制-集群搭建（详细文档）

m0_52369979的博客 732

树莓派CSI/DSI二合一接口深度玩法：同时驱动MIPI摄像头和屏幕的配置秘籍

本文详细解析了树莓派5上CSI/DSI二合一接口的深度玩法，提供了同时驱动MIPI摄像头和屏幕的完整配置秘籍。从硬件连接到软件设置，包括config.txt的优化配置，帮助用户充分利用树莓派5的双多功能接口，实现高效的双设备工作模式。

weixin_30687051的博客 575

视频隐私脱敏工程化：CSRT/KCF追踪算法在本地推理中的实现与边界

在短视频内容合规审查中，动态遮挡（Dynamic Masking）是高频且高耗时的环节。传统手动关键帧打码不仅效率低下，且在目标快速移动或遮挡时极易出现遮罩漂移。本文从计算机视觉工程角度，解析基于CSRT与KCF算法的目标追踪方案在视频隐私处理中的技术路径、性能权衡及落地实践。

Mysssone的博客 378

彻底清理Easy Connect残留：从服务到驱动的完整卸载指南

在企业网络接入场景中，远程客户端常因内核驱动、系统服务和网络过滤组件导致卸载残留，进程无法结束、文件被锁定、注册表项顽固存在。其原理在于驱动挂载网络协议栈，服务守护进程，卸载时资源占用导致清理不彻底。彻底清理的技术价值在于恢复系统纯净、避免网络异常和软件冲突。典型应用场景包括企业办公机、个人笔记本更换或重装客户端。本文针对深信服Easy Connect，提供从停止服务、删除驱动到清理注册表和虚拟网卡的分步操作链路，并给出验证方法和避坑经验。

weixin_31292729的博客 248

AI 问数真的能替代 BI 报表吗？

AI问数赋能自然语言查询，提升临时分析效率，但无法替代传统报表。报表适用于稳定输出与持续监控，AI则擅长探索性提问。企业用好AI问数，关键在于夯实数据模型、统一指标口径、健全权限体系与结果校验机制。合理组合报表、仪表板与AI，才能实现高效、准确的业务洞察。

葡萄城技术团队博客 298

云漾AI创作平台实战：如何用GPT4.0+Midjourney快速生成商业级插画（附Prompt模板）

本文详细介绍了如何利用云漾AI创作平台结合GPT4.0和Midjourney快速生成商业级插画。通过智能文案生成与视觉化工作流，大幅提升创作效率，适用于电商、社交媒体等多种场景。文章包含实用Prompt模板和参数调整技巧，帮助设计师和内容创作者高效产出专业插画。

weixin_29251567的博客 223

告别环境配置噩梦：用Docker Desktop + WSL2在Windows上5分钟搞定vLLM运行环境

本文详细介绍了如何在Windows系统上使用Docker Desktop和WSL2快速搭建vLLM开发环境，5分钟内完成配置。通过容器化技术解决传统环境配置中的依赖冲突、环境污染等问题，提供一键复用的高效方案，特别适合AI开发者快速部署和测试vLLM框架。

weixin_28728495的博客 503

AI Agent之核心框架

A： 显式 Thought 有三类价值：可解释性（便于人类审计）、可调试性（定位哪一步选错工具）、学习信号（可做监督微调或评估中间步骤质量）。ReAct 把推理与 可执行行动 绑定，每一步行动后都有 真实 Observation 反馈，从而用工具结果约束生成，降低闭卷幻觉。做完不等于结束——还要 评估做得好不好，把 教训 记下来，下次 带着教训重试，反思作为 记忆，影响后续尝试的策略。工作流程：Action → Evaluation → Reflection → Retry。A： 普通 CoT 只在。

剑雨巍巍的博客 263

第4章 Stata参数检验

目录 4.1单一样本T检验 案例延伸 4.2独立样本T检验 案例延伸 1.改变置信水平 2.在异方差假定条件下进行假设检验 4.3配对样本T检验 案例延伸 1.改变置信水平 4.4单一样本方差的假设检验 案例延伸 4.5双样本方差的假设检验 参数检验（Parameter Test）是指对参数的平均值、方差、比率等特征进行的统计检验。参数检验一般假设统计总体的具体分布为已知，但是其中一些参数或者取值范围不确定，分析的主要目的是估计这些未知参数的取值，或者对这些参数进...

qq_45112156的博客 1万+

ChatGPT、Perplexity、Gemini 与 AI Overviews 引用对比：谁的引用更可信

AI 引擎的引用机制差异很大：ChatGPT 以行内引用加 Sources 列表呈现来源，Perplexity 几乎逐句可溯源，Gemini 在回答中内嵌相关来源链接，AI Overviews 则把多源聚合答案与来源列表一起放在搜索结果顶部。本文从引用透明度、来源偏好、可干预性 3 个维度对比这 4 个引擎，并给出 GEO 的 3 点启示，帮企业在多引擎环境下提升被引用的概率。

淡然一笑 的专栏 223

Transformer实战（30）——Transformer注意力机制可视化

在本节中，我们讨论了人工智能面临的最重要问题之一：可解释人工智能 (explainable artificial intelligence, XAI)。随着语言模型的不断发展，可解释性成为一个严峻的问题。本节中，我们从 Transformer 的角度出发，研究了 Transformer 架构中的自注意力机制，尝试通过各种可视化工具理解这些机制的内部过程。

盼小辉丶的博客 2690

国社科“选题设计论证”部分不再难！用AI快速梳理五大核心板块，轻松撰写出高质量的基金申报书（附AI提示词）

七哥给大家推荐的高校都在用的AI平台——高级学术版专业应用平台，集成了ChatGPT、Claude、Gemini、Grok等Al大模型的PLUS版本平台，包括 ChatGPT-5、4o、o3、4.1、4.5、Gemini 2.5 Pro、Claude 3.7、Claude 4、DeepSeek 满血版、Grok 3 、Grok 4等原生线路，还有国际主流的GPTs学术应用，可以辅助大家高效完成科研和学术写作任务，当然撰写硕博论文，课题、职称论文、国社科、国自然基金本子也是手拿把掐。

智能AI让学术科研更容易 935

【从零理解 Spring AI · 12】MCP 的两种角色：做客户端还是做服务端

上一篇讲了 MCP 的概念：标准协议、三大角色、M+N 替代 M×N。

nice_lcj520的博客 575

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表，创建专业级图表以简化复杂的信息。

AI 应用开发工程师技术实践：大模型接入、通用组件封装与性能优化

本文提出AI应用从PoC到生产的核心挑战：模型调用的持续可用、可控与可优化。通过构建统一LLM网关实现多供应商路由与故障转移，封装对话、工具调用与RAG组件以解耦业务逻辑，结合前缀缓存、批处理与流式背压治理等性能优化手段，形成“接通→接稳→接快”的工程路径，最终以工程化能力决定AI应用的生产可用性。

2301_79189962的博客 633

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

ssm框架搭建

这个是一个在idea上成功跑起来的ssm框架项目，保存在这里方便以后使用直接下载

抽象主义人工智能和生命体AI的内在联系

彭军辉提出“抽象主义人工智能”作为第四大AI范式，批判符号主义、连接主义、行为主义剥离生命本体的误区，确立“智能是现象，生命是本体”的核心公理。主张原生智能必须依附具备存续诉求的生命本体，提出“生命体AI理论”，构建七层演化阶梯与自闭环工程框架，强调智能不可跳过底层存续机制直接模拟语言。该体系为生成式AI提供科学边界，推动从“仿真表象”向“原生智能”的范式跃迁，开辟硅基人工生命新赛道。

抽象主义人工智能和生命体AI 177

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

OpenAI Control Room 架构拆解：给企业 AI Agent 加一套可审计的急停系统

OpenAI 公开了用于追踪和停止研究模型工作负载的 Control Room。本文拆解 job_id、推理前鉴权、35 秒撤销窗口与 Fail Closed 设计，并给出企业 AI Agent 急停控制面的数据模型、FastAPI 参考实现、缓存撤销策略和故障演练清单。

jerry764的博客 326

OpenClaw 深度调查：把 AI 助手做成你自己的控制平面

对 openclaw/openclaw 的完整技术尽调：Gateway 架构、Agent 运行时、工具与沙箱、30 个消息通道、181 个插件、安全信任边界、工程代价与采用建议。17 章 / 10 张图，全部数字标注口径，数据截至 2026-10-31。

厚积薄发 310

AI赋能智慧港口建设｜造形家快速生成港口全要素三维场景

随着智慧港口、港口数字孪生项目的持续推进，港口三维场景的需求日益旺盛。传统港口三维建模，往往需要航拍倾斜摄影采集数据，再人工搭建吊机、岸桥、船舶、集装箱等大量工业设施模型，项目周期长、人力成本高，修改迭代繁琐，制约港口可视化项目落地效率。国产AI三维建模工具，依托卫星影像 AI 识别能力，无需航拍作业，一键快速搭建港口完整三维场景，为港口数字孪生、方案汇报、投标演示提供高效的场景解决方案。

m0_69539167的博客 65

从设备增点到治理闭环：老旧小区物业数智化落地实践

系统连接合同审批、银行流水、收费记录与项目台账，执行到期提醒、收入核验、异常标色和月度对账，让每一笔资金来源明确、去向可查。针对设施老旧、诉求响应慢、公共收益不透明等问题，津南以6类小区为试点场景，统一建设物业数字化底座，关联楼栋、单元、房屋、业主、空间、设施设备、工单、公共收益等核心数据。系统采用统一编码管理，将摄像头、路灯、井盖、道路、绿化等设施纳入资产台账，解决纸质记录更新滞后、故障责任难追溯的问题。基于历史工单建立分类模型和知识库，辅助识别照明、给排水、电梯、环境秩序、秩序维护等问题；

wuyeshuzhihua的博客 136

企业微信iPad协议详解：接口接入、实时消息同步与语音转码实践

深入解析企业微信iPad协议的技术架构与开发思路，涵盖API接口接入、长连接通信、实时消息同步、Silk语音转码、异常重连及高并发优化，帮助开发者了解企业微信自动化系统的设计与实现。

欢迎来到祖安！ 459

Product Hunt 热榜 2026-11-13：Plurai Simulation、YouArt Desktop App、Omnigraph

2026-11-13 Product Hunt 新产品精选：Plurai Simulation、YouArt Desktop App、Omnigraph。汇总 15 款产品的中文介绍、功能关键词和产品链接。

LaughingZhu的博客 537

【AI Agent面试系列】AI Agent可观测、评测、安全相关的知识点

之前的文章介绍了和，本文主要介绍AI Agent的测评、可观测等知识。

344
上一篇： “天医”大模型终极解析指南（超详细）：南中医SOTA力作，一文看懂知识图谱如何增强中医AI！
下一篇： AI大模型实战从入门到精通，必须掌握这个！斯坦福“上下文蒸馏”全解析，手把手教你给Agent“瘦身”！
点赞 16
评论 0
书签 书签 30
Python_金钱豹
Python_金钱豹
博客等级 码龄5年 1万+粉丝 2841原创
+ 关注
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值