知识图谱

AI 的研究可以分为多个不同的分类，并非仅仅局限于神经网络与知识图谱这两个大的分类。 在常见的分类中： 非监督学习：最著名的是聚类，只需提供大量数据，让 AI 自行找出有趣信息。 迁移学习：在任务 A 中学习的内容可用于帮助完成任务 B，在计算机视觉领域有较多应用。 强化学习：根据输出好坏给予奖励或惩罚，利用“奖励信号”让 AI 自动学习最大化奖励，但需要大量数据。 生成对抗网络：由生成器和判别器构成，两者不断训练和竞争，提高生成真实数据的能力，广泛应用于多种领域。 此外，从技术和应用的角度来看： 知识图谱：在搜索等场景中展示关键信息，如人物相关信息、酒店信息等。 在企业中建构人工智能方面，NLG 可作为全新场景讨论，生成内容分为根据任务要求生成标准结果和根据信息进行内容创作两类，分别偏向 B 端和 C 端。NLP 能做的事情较标准化，LLM 的出现对其有提升和冲击。知识图谱领域本身有多种技术路径，与 LLM 可能是互补关系。 对于希望精进的学习者，还需要了解 AI 的背景知识，包括基础理论、历史发展、数学基础（统计学、线性代数、概率论），掌握算法和模型（监督学习、无监督学习、强化学习），学会评估和调优（性能评估、模型调优），以及神经网络基础（网络结构、激活函数）等。

以下是一张涉及大模型概念的知识图谱： 大模型 Embedding 技术 句子和文档嵌入 Doc2Vec：扩展了 Word2Vec，能够为整个文档生成统一的向量表示。 Average Word Embeddings：将一段文本中所有单词的嵌入取平均作为整体的文本表示。 Transformers Sentence Embeddings：如 BERT 的标记对应的向量，或者专门针对句子级别的模型如 SentenceBERT。 实体/概念嵌入 Knowledge Graph Embeddings：如 TransE、DistMult、ComplEx 等，用于将知识图谱中的实体和关系嵌入到低维向量空间中。 其他类型 图像 Embeddings：使用卷积神经网络（CNN）进行图像特征提取，得到的特征向量即为图像嵌入。 音频 Embeddings：在语音识别和声纹识别中，将声音信号转化为有意义的向量表示。 用户/物品 Embeddings：在推荐系统中，将用户行为或物品属性映射到低维空间以进行协同过滤或基于内容的推荐。 图 Embeddings：用于学习图结构的表示学习方法，将图中的节点和边映射到低维向量空间中。通过学习图嵌入，可以将复杂的图结构转化为向量表示，以捕捉节点之间的结构和关联关系。这些方法可以通过 DeepWalk、Node2Vec、GraphSAGE 等算法来实现。图嵌入在图分析、社交网络分析、推荐系统等领域中广泛应用，用于发现社区结构、节点相似性、信息传播等图属性。 关键技术标准 机器学习标准：规范机器学习的训练数据、数据预处理、模型表达和格式、模型效果评价等，包括自监督学习、无监督学习、半监督学习、深度学习和强化学习等标准。 知识图谱标准：规范知识图谱的描述、构建、运维、共享、管理和应用，包括知识表示与建模、知识获取与存储、知识融合与可视化、知识计算与管理、知识图谱质量评价与互联互通、知识图谱交付与应用、知识图谱系统架构与性能要求等标准。 大模型标准：规范大模型训练、推理、部署等环节的技术要求，包括大模型通用技术要求、评测指标与方法、服务能力成熟度评估、生成内容评价等标准。 自然语言处理标准：规范自然语言处理中语言信息提取、文本处理、语义处理等方面的技术要求和评测方法，包括语法分析、语义理解、语义表达、机器翻译、自动摘要、自动问答和语言大模型等标准。 智能语音标准：规范前端处理、语音处理、语音接口和数据资源等技术要求和评测方法，包括深度合成的鉴伪方法、全双工交互、通用语音大模型等标准。 计算机视觉标准：规范图像获取、图像/视频处理、图像内容分析、三维计算机视觉、计算摄影学和跨媒体融合等技术要求和评价方法，包括功能、性能和可维护性等标准。 生物特征识别标准：规范生物特征样本处理、生物特征数据协议、设备或系统等技术要求，包括生物特征数据交换格式、接口协议等标准。 国内大模型 通用模型：如文心一言、讯飞星火等，处理自然语言。 垂直模型：专注特定领域如小语种交流、临床医学、AI 蛋白质结构预测等。 大模型的体验 以‘为什么我爸妈结婚的时候没有邀请我参加婚礼’和‘今天我坐在凳子上’为例，体验了 Kimi、通义千问、豆包等大模型的回答和续写能力，发现回复有差异，且大模型基于统计模型预测生成内容。 大语言模型的工作原理 包括训练数据、算力、模型参数，在训练数据一致情况下，模型参数越大能力越强，参数用 b 链形容大小。 Transformer 架构：Transformer 是大语言模型训练架构，17 年出现用于翻译，具备自我注意力机制能理解上下文和文本关联，其工作原理是单词预测，通过嵌入、位置编码、自注意力机制生成内容，模型调教中有控制输出的 temperature。 大模型幻觉：大模型通过训练数据猜测下一个输出结果，可能因错误数据导致给出错误答案，优质数据集对其很重要。 Prompt 的分类和法则 分为 system prompt、user prompt 和 assistant prompt。 写好 prompt 的法则包括清晰说明、指定角色、使用分隔符、提供样本等，核心是与模型好好沟通。 Fine tuning 微调：基于通用大模型，针对特定领域任务提供数据进行学习和调整，以适应特定领域的需求。 RAG 概念：未对 RAG 的具体内容进行详细阐述，仅提出了这个概念。

很抱歉，目前没有关于初中老师适用的知识图谱的相关具体内容。但一般来说，知识图谱是一种以图形化方式展示知识之间关系的技术。对于初中老师而言，知识图谱可以用于组织和呈现学科知识，帮助学生更好地理解知识点之间的关联。例如在数学学科中，可以将代数、几何等不同领域的知识点通过知识图谱进行关联，让学生清晰看到知识的体系结构。您可以根据教学的具体学科和需求，有针对性地构建和运用知识图谱。

人工智能的历史可以追溯到二十世纪中叶。 起初，符号推理流行，带来了专家系统等重要进展，但因提取知识复杂、成本高等问题，20 世纪 70 年代出现“人工智能寒冬”。 随着计算资源便宜和数据增多，神经网络方法在计算机视觉、语音理解等领域展现出色性能，过去十年“人工智能”常被视为“神经网络”的同义词。 在国际象棋对弈程序方面，早期以搜索为基础，发展出阿尔法贝塔剪枝搜索算法，后来采用基于案例的推理，如今基于神经网络和强化学习，能从自身错误中学习，学习速度快于人类。 在创建“会说话的程序”方面，早期如 Eliza 基于简单语法规则，现代助手如 Cortana、Siri 等是混合系统，使用神经网络转换语音、识别意图，未来有望出现完整基于神经网络的模型处理对话，如 GPT 和 TuringNLG 系列神经网络取得成功。 近期神经网络研究在 2010 年左右有巨大发展，大型公共数据集出现，如 ImageNet 催生了相关挑战赛。2012 年卷积神经网络用于图像分类使错误率大幅下降，2015 年微软研究院的 ResNet 架构达到人类水平准确率，此后神经网络在图像分类、对话语音识别、自动化机器翻译、图像描述等任务中表现成功。 在过去几年，大型语言模型如 BERT 和 GPT3 取得巨大成功，得益于大量通用文本数据，可先预训练再针对具体任务专门化。

知识图谱： 知识图谱是一种揭示实体之间关系的语义网络，能够对现实世界的事物及其相互关系进行形式化描述。它于 2012 年 5 月 17 日由 Google 正式提出，初衷是提高搜索引擎能力，增强用户搜索质量和体验，实现从网页链接到概念链接的转变，支持按主题检索和语义检索。 关键技术包括： 1. 知识抽取：通过自动化技术抽取可用的知识单元，包含实体抽取（命名实体识别）、关系抽取、属性抽取。 2. 知识表示：如属性图、三元组。 3. 知识融合：在同一框架规范下进行异构数据整合、消歧、加工、推理验证、更新等，包括实体对齐、知识加工、本体构建、质量评估、知识更新，以形成高质量知识库。 4. 知识推理：在已有知识库基础上挖掘隐含知识。 在 AI Agent 系列中，外置知识包括向量数据库、关系型数据库和知识图谱。知识图谱以图的形式组织数据，强调实体之间的关系，适合复杂的语义分析和知识推理。在实际应用中，外置知识的集成和管理常采用 RAG 架构，允许智能体实时检索和整合最新外部信息。 知识表示方面，知识是存在于我们脑海中、代表对世界理解的东西，通过活跃学习过程获得，将接收到的信息碎片整合进世界模型。知识与信息、数据等概念不同，在 DIKW 金字塔中，数据独立存在可传递，信息是头脑中解释数据的方式，知识是融入世界模型的信息，智慧是更高层次的理解。知识表示的问题是找到以数据形式在计算机中表示知识并能自动化使用的有效方法。

以下是用 AI 工具构建某一课程知识图谱的方法： 一键知识图谱方法： 用 kimichat 让 AI 拆解这本书的三级章节并按照 Markdown 产出内容： Prompt：帮我拆解《爱的五种语言》，生成全书内容的思维导图，要求每个章节后面有三级展开，下一级是主要知识点，下下一级是知识点的论述。先输出对应的 Markdown。 访问地址： 复制 AI 内容粘贴到在线思维导图 Markmap 中，一键生成思维导图，还可以自定义微调内容，并免费导出图片： 访问地址： 推导知识图谱方法（可以参考下面 prompt 自己构建）： 问题生成：使用大模型帮助生成一系列相关的、深入的问题。 探索性学习：将每个问题作为一个学习起点，利用 AI 搜索引擎和大模型进行深入探索。 知识图谱构建：随着学习的深入，使用大模型帮助构建和扩展知识图谱。 创造性应用：基于新获得的知识，尝试解决原问题或创造新的作品。 反思与迭代：定期反思学习过程，调整方向，并生成新的问题，形成持续学习和创作的循环。 此外，利用 AI 写课题的步骤和建议如下： 1. 确定课题主题：明确研究兴趣和目标，选择具有研究价值和创新性的主题。 2. 收集背景资料：使用 AI 工具如学术搜索引擎和文献管理软件搜集相关研究文献和资料。 3. 分析和总结信息：利用 AI 文本分析工具分析收集到的资料，提取关键信息和主要观点。 4. 生成大纲：使用 AI 写作助手生成课题大纲，包括引言、文献综述、方法论、结果和讨论等部分。 5. 撰写文献综述：利用 AI 工具帮助撰写文献综述部分，确保内容准确完整。 6. 构建方法论：根据研究需求，利用 AI 建议的方法和技术设计研究方法。 7. 数据分析：若课题涉及数据收集和分析，使用 AI 数据分析工具处理和解释数据。 8. 撰写和编辑：利用 AI 写作工具撰写课题各部分，并进行语法和风格检查。 9. 生成参考文献：使用 AI 文献管理工具生成正确的参考文献格式。 10. 审阅和修改：利用 AI 审阅工具检查课题逻辑性和一致性，并根据反馈修改。 11. 提交前的检查：最后，使用 AI 抄袭检测工具确保课题原创性，并进行最后的格式调整。 需要注意的是，AI 工具可作为辅助，但不能完全替代研究者的专业判断和创造性思维。在使用 AI 进行课题写作时，应保持批判性思维，并确保研究的质量和学术诚信。

在 Coze 中传变量的相关知识如下： 在创建工作流时，Start 节点可以定义输入变量，如“question”，该变量会在启动工作流时由 Bot 从外部获取信息传递过来。 变量节点有两个能力：设置变量给 Bot 和从 Bot 中获取变量。例如，可以从 Bot 中获取“user_language”这个变量，传给后面的大模型节点以控制其输出语言。 此外，关于 Coze 的工作流： 工作流由多个节点构成，节点是组成工作流的基本单元，本质是一个包含输入和输出的函数。 Coze 平台支持的节点类型包括 LLM（大语言模型）、Code（代码）、Knowledage（知识库）、Condition（条件判断）、Variable（获取变量）、Database（数据库）。 关于创建和使用工作流，可参考以下官方教程： 海外参考文档：https://www.coze.com/docs/zh_cn/use_workflow.html 国内参考文档：https://www.coze.cn/docs/guides/use_workflow 国内版本还提供了一些示例，如搜索新闻：https://www.coze.cn/docs/guides/workflow_search_news ；使用 LLM 处理问题：https://www.coze.cn/docs/guides/workflow_use_llm ；生成随机数：https://www.coze.cn/docs/guides/workflow_use_code ；搜索并获取第一个链接的内容：https://www.coze.cn/docs/guides/workflow_get_content ；识别用户意图：https://www.coze.cn/docs/guides/workflow_user_intent 。 创建知识库并上传文本内容的操作如下： 1. 登录。 2. 在左侧导航栏的工作区区域，选择进入指定团队。 3. 在页面顶部进入知识库页面，并单击创建知识库。 4. 在弹出的页面配置知识库名称、描述，并单击确认。一个团队内的知识库名称不可重复，必须是唯一的。 5. 在单元页面，单击新增单元。 6. 在弹出的页面选择要上传的数据格式，默认是文本格式，然后选择一种文本内容上传方式完成内容上传。

作为一名 CRM 运营，以下是您可以学习的 AI 知识，以帮助您更高效地工作和产出价值： 提示词技术： 掌握提示词技术能帮助您编写更清晰、精确的指令，引导 AI 工具产生所需结果，从而更灵活地运用 AI 工具。 构建智能体（AI Agents）： 智能体有潜力革新工作方式，您可以为每个智能体赋予特定角色和任务，让它们协同工作，提高工作效率和创新能力。 实际应用准则： 1. 彻底让自己变成一个“懒人”。 2. 能动嘴的不要动手，用嘴说出想做的事远比打字快。 3. 能动手的尽量用 AI，用 AI 远比苦哈哈手敲快。 4. 把手上的工作单元切割开，建设属于自己的智能体。 5. 根据结果反馈不断调整自己的智能体。 6. 定期审视工作流程，看哪个部分可以更多地用上 AI。 技术层面的深入学习： 如果您想进一步提升，可以学习搭建专业的知识库、构建系统的知识体系，用于驱动工作和支持个人爱好与创作。 个人素质提升： 在技术之外，着重提升学习能力和创造能力，这是在时代变化中保持竞争力的关键。 AIGC 在 CRM 中的应用： 1. 个性化营销内容创作：根据客户数据生成个性化且富有创意的营销文案、视觉内容等，提高营销效率和转化率。 2. 客户服务对话系统：开发智能客服系统，通过自然语言交互解答客户咨询、投诉等。 3. 产品推荐引擎：生成产品描述和视觉展示等内容，结合推荐算法为客户推荐更贴合需求的产品。 4. CRM 数据分析报告生成：自动生成数据分析报告，包括文字、图表、视频演示等形式。 5. 智能翻译和本地化：提供高质量的多语种翻译及本地化服务。 6. 虚拟数字人和营销视频内容生成：快速生成虚拟数字人形象、场景背景和营销视频内容。 7. 客户反馈分析：高效分析海量客户反馈文本和多媒体信息，挖掘客户需求和潜在痛点。 运营与 ChatGPT： AI 技术虽发展迅速，但新媒体运营和用户运营的核心竞争力在于内容创新和对人性需求的洞察。与其焦虑，不如行动，重点提升以下能力： 1. 提升提问技巧：在信息泛滥时代，高质量的问题更重要，独立思考避免盲目跟风。 2. 培养学习方法：提高学习能力和效率，在有限时间内掌握更多实用知识。

在选择生成知识点讲解视频的工具时，转成 PPT 加自动配音和转成不同的网页然后生成每一页的口播稿各有其优缺点。 转成 PPT 加自动配音的优点在于 PPT 形式较为直观、规范，能够以图文并茂的方式展示知识点，自动配音可以节省录制音频的时间。缺点是可能在页面布局和动画效果上需要较多的调整，且自动配音的质量和语气可能不够自然。 转成不同的网页然后生成每一页的口播稿的优点是网页的设计更加灵活，可以融入更多的交互元素，口播稿能够更贴合讲解的需求。但缺点是网页的制作可能相对复杂，需要一定的技术知识，而且口播稿的生成质量可能参差不齐。 最终的选择取决于您的具体需求和技术能力。如果您更注重展示效果的规范性和简洁性，且对音频质量要求不是特别高，PPT 加自动配音可能是个不错的选择。如果您希望有更多的交互和灵活性，并且有能力处理网页制作和口播稿的优化，那么转成网页和生成口播稿可能更适合您。

以下是为您整理的关于智能体的相关内容： 在“01通往AGI之路知识库使用指南”中： 提到智能体由大语言模型衍生而来，因提示词不太可控才有进阶。 讲述了智能体进阶案例拆解，推荐景淮老师的相关成果。 阐述扣子、千帆百炼属于智能体范畴，扣子更偏ToC应用，所以有专门讲解扣子相关内容。 指出学习AI agent可能较痛苦，建议先吃透prompt再看相关内容。 在“这可能是讲Coze的知识库最通俗易懂的文章了”中： 提到读完文章您会收获更好地使用Coze等AI Agent平台中的知识库组件，打造更加强大的智能体。 预告了关于AI时代编程基础系列，包括数据库、知识库、变量、JSON、API、操作系统与服务器、Docker等内容。 在“元子：WayToAGI知识库究竟咋用？”中： 通识篇中有现有常见AI工具小白扫盲的介绍，包括相关文章和视频链接，适用于对AI没有太多概念的纯纯小白，能帮助其快速感受当下AI工具的力量。 通识篇中还有AI常见名词、缩写解释，提供了相关文章链接，适用于看不懂“黑话”和诸多缩写的小白。

以下是关于 WayToAGI 知识库中与共学相关的内容： Agent 板块的使用指南： 元子是从 Agent 板块成长起来的。以 Agent 板块为例，链接： 。使用方法是从下往上看，逐个点击，里面都有视频。共学视频都是从注册开始的手把手教学，多看几遍基本能保障调通一个工具、搭好一个 Agent。注意事项：内容较多，点进去看看哪个工具熟悉就从哪个开始，避免太累。 看了一些视频后，如果想了解理论或应用，可通过导航选择。链接： 。备注：智能千帆、阿里云百炼有视频，其余没有。注意事项：内容较多，要考虑聚焦，先挑一个开始做，只要用起来就可能成功。 共学资料： Coze 国内版地址：https://www.coze.cn/home Coze 海外版地址：https://www.coze.com/home 「Agent 共学」coze 比赛大奖作品分享核心创作理念： |时间|分享材料|内容|讲师嘉宾|主持人| |||||| |9 月 26 日 20:00 开始<br>|第一名:《舆情管理大师》@汽车 bot 小队<br>https://www.coze.cn/s/iknCrnvv/|锤子,朱一鸣,寻鱼,灯|元| |9 月 27 日<br>20:00 开始<br>|一等奖:《汽车栏目主持人（零壹老师）》@野生菌<br>https://www.coze.cn/s/iknCY9xR/<br>一等奖:《车行营销智多星（手把手蹭热点）》@来都来了<br>https://www.coze.cn/s/iknC5bgR/<br>优秀作品:《虚拟狂飙之征战天命》@小鱿鱼<br>https://www.coze.cn/s/ikTjx4Mk/|@罗文,二师兄<br>元,Roger,Stuart<br>小鱿鱼|Stuart|

以下是一些可用于搭建个人知识库的软件及相关信息： 1. Coze 或 FastGPT 等工具：在当下技术条件下，其 RAG 能力对问答场景较友好，其他场景效果一般。若需企业级复杂知识库场景，可能需找专业团队，收费几万到几十万不等。 2. 推荐文章《手把手教你本地部署大模型以及搭建个人知识库》中提到的 AnythingLLM 软件： 包含所有 Open WebUI 的能力，并额外支持选择文本嵌入模型和向量数据库。 安装地址：https://useanything.com/download 。安装完成后进入配置页面，主要分为三步：选择大模型、选择文本嵌入模型、选择向量数据库。 该软件中有 Workspace 的概念，可创建独有 Workspace 与其他项目数据隔离，包括创建工作空间、上传文档并进行文本嵌入、选择对话模式（Chat 模式和 Query 模式），配置完成后可进行对话测试。 3. 基于 GPT API 搭建定制化知识库：涉及给 GPT 输入定制化知识，因 GPT3.5 交互容量有限，OpenAI 提供了 embedding API 解决方案，可参考 OpenAI embedding documents 理解 embeddings 相关知识。