知识图谱推理是人工智能的关键技术，在多领域有广泛应用，但现有方法存在推理效率低、表达能力不足、过平滑问题等挑战。中科大研究团队提出DuetGraph，采用双阶段粗到细推理框架与双通路全局 - 局部特征融合模型，实现推理精度与效率的平衡，为大规模知识推理提供解决方案。
Supermemory 已获得由 Susa Ventures、Browder Capital 和 SF1.vc 领投的 260 万美元种子轮融资。此轮融资还包括 Cloudflare 的 Knecht、谷歌人工智能负责人 Jeff Dean、DeepMind 产品经理 Logan Kilpatrick、Sentry 创始人 David Cramer 以及来自 OpenAI、
使用Google Gemini CLI构建个人知识库是高效的知识管理新方式。该工具通过命令行实现自然语言交互，能自动化整理文件、转换格式、生成结构化内容（如知识图谱）。相比云端笔记软件，其本地优先特性保障隐私且支持多模态处理，结合高质量输入可实现个性化自适应学习，本质是人与AI协同进化的工作范式升级。
最近，由香港大学黄超教授团队发布的开源项目「一体化的多模态RAG框架」RAG-Anything，有效解决了传统RAG的技术局限，实现了「万物皆可RAG」的处理能力。
知识图谱（KGs）已经可以很好地将海量的复杂信息整理成结构化的、机器可读的知识，但目前的构建方法仍需要由领域专家预先创建模式，这限制了KGs的可扩展性、适应性和领域覆盖范围。
知识图谱虽然功能强大，但在实际场景中实现它们并非一帆风顺。我们必须意识到其中的挑战、局限性和潜在风险，包括技术问题，比如可扩展性、数据质量、模式复杂性、与非结构化或动态数据的集成障碍，以及偏见和隐私等道德问题。
近期，MetaNovas Biotech 元星智药的首席科学家罗衡博士接受了《happi China》杂志的采访。访谈中，他围绕 AI 加生物知识图谱驱动的机制理解和功效型原料开发，深度剖析了 AI 技术，特别是生物知识图谱的引入，如何加速化妆品原料的研发，助力开发更高效、更精准的功效型化妆品……
您是否遇到过这样的困扰：明明搭建了完善的RAG系统，但Agent总是回答过时的信息，或者面对历史偏好变化时一脸茫然？
让大语言模型更懂特定领域知识，有新招了！
HuixiangDou 是群聊场景的 LLM 知识助手。
