当前位置：首页 > news >正文

AI大模型-提示工程学习笔记21-图提示 (Graph Prompting)

news 来源：原创 2025/9/12 23:11:28

1. 图提示的核心思想

(1) 传统提示的局限性

(2) Graph Prompting 的解决方案

2. Graph Prompting 的工作流程

(1) 图构建

(2) 图选择/子图提取

(3) 图编码

(4) 提示构建

(5) LLM 推理与生成

3. Graph Prompting 的关键组件

(1) 大语言模型 (LLM)

(2) 图数据库 (Graph Database)

(3) 图编码器 (Graph Encoder)

(4) 提示模板 (Prompt Template)

4. Graph Prompting 的优势

(1) 增强关系推理能力

(2) 提高知识利用率

(3) 减少幻觉

(4) 提高可解释性

5. Graph Prompting 的局限性

(1) 图构建的挑战

(2) 图编码的挑战

(3) 计算成本

(4) 图的稀疏性

6. Graph Prompting 的应用场景

(1) 知识图谱问答 (Knowledge Graph Question Answering, KGQA)

(2) 推荐系统 (Recommender System)

(4) 生物信息学 (Bioinformatics)

(5) 程序分析 (Program Analysis)

7. Graph Prompting 与其他技术的比较

(1) 与传统基于文本的提示的比较

(2) 与图神经网络 (GNN) 的比较

(3) 与检索增强生成 (Retrieval-Augmented Generation, RAG) 的比较

图提示 (Graph Prompting) 是一种利用图结构数据（Graph-Structured Data）来增强大语言模型 (LLM) 在处理需要图推理的任务中性能的提示技术。与传统的基于文本的提示不同，Graph Prompting 将知识表示为图的形式，其中节点（Nodes）表示实体，边（Edges）表示实体之间的关系。通过将图结构数据融入到提示中，LLM 可以更好地理解实体之间的复杂关系，从而提高推理能力和生成内容的准确性。

以下是对 Graph Prompting 技术的详细解读：

1. 图提示的核心思想

(1) 传统提示的局限性

传统的基于文本的提示主要依赖于自然语言描述。
对于需要理解实体之间复杂关系的任务，纯文本提示可能难以有效表达这些关系。
例如，对于一个关于家族关系的任务，纯文本提示可能难以清晰地描述家族成员之间的关系。

(2) Graph Prompting 的解决方案

Graph Prompting 通过将知识表示为图的形式，弥补了传统提示的不足。
图结构数据可以清晰地表示实体之间的关系，例如：
- 知识图谱 (Knowledge Graph)：节点表示实体（如人物、地点、事件），边表示实体之间的关系（如“出生于”、“位于”、“发生于”）。
- 社交网络 (Social Network)：节点表示用户，边表示用户之间的关系（如“朋友”、“关注”）。
- 分子结构图 (Molecular Graph)：节点表示原子，边表示化学键。
- 程序依赖图 (Program Dependency Graph)：节点表示程序中的变量或函数，边表示依赖关系。
通过将图结构数据融入到提示中，LLM 可以更好地理解实体之间的关系，从而提高推理能力和生成内容的准确性。

2. Graph Prompting 的工作流程

Graph Prompting 的工作流程可以分为以下几个步骤：

(1) 图构建

根据任务需求，构建或选择合适的图结构数据。
图的构建可以包括：
- 从现有知识库中提取：如 Wikidata、ConceptNet。
- 从文本中抽取：使用实体识别和关系抽取技术。
- 手动构建：根据领域知识手动构建。

(2) 图选择/子图提取

如果图的规模很大，可能需要选择与任务相关的子图。
选择方法可以包括：
- 基于关键词：选择包含任务关键词的节点及其邻居节点。
- 基于路径：选择连接任务中提到的实体的路径。
- 基于图嵌入 (Graph Embedding)：选择在嵌入空间中与任务相关的节点。

(3) 图编码

将图结构数据编码为 LLM 可以理解的格式。
编码方法可以包括：
- 文本序列化 (Text Serialization)：将图转换为文本序列，如 "(节点1) - [关系] -> (节点2)"。
- 图嵌入 (Graph Embedding)：将节点和边映射到向量空间。
- 图神经网络 (Graph Neural Network, GNN)：使用 GNN 对图进行编码。

(4) 提示构建

将编码后的图结构数据与任务描述结合，构建提示。

例如：

任务：回答关于“爱因斯坦”的问题。
图提示：
(爱因斯坦) - [出生于] -> (乌尔姆)
(爱因斯坦) - [国籍] -> (德国)
(爱因斯坦) - [职业] -> (物理学家)
(爱因斯坦) - [提出] -> (相对论)
问题：爱因斯坦提出了什么理论？

(5) LLM 推理与生成

LLM 根据包含图信息的提示，进行推理并生成答案。

3. Graph Prompting 的关键组件

Graph Prompting 的实现通常包括以下关键组件：

(1) 大语言模型 (LLM)

LLM 是 Graph Prompting 的核心，负责根据包含图信息的提示进行推理和生成。
常用模型包括 GPT-3、GPT-4、PaLM 等。

(2) 图数据库 (Graph Database)

图数据库用于存储和管理图结构数据。
常用图数据库包括 Neo4j、Amazon Neptune 等。

(3) 图编码器 (Graph Encoder)

图编码器负责将图结构数据编码为 LLM 可以理解的格式。

(4) 提示模板 (Prompt Template)

提示模板定义了如何将图结构数据与任务描述结合，构建提示。

4. Graph Prompting 的优势

(1) 增强关系推理能力

通过显式地表示实体之间的关系，Graph Prompting 可以增强 LLM 的关系推理能力。

(2) 提高知识利用率

Graph Prompting 可以利用结构化的知识库，提高 LLM 对知识的利用率。

(3) 减少幻觉

通过提供更准确的背景信息，Graph Prompting 可以减少 LLM 生成虚假信息的可能性。

(4) 提高可解释性

图结构数据可以提供关于 LLM 推理过程的更多信息，从而增强模型的可解释性。

5. Graph Prompting 的局限性

尽管 Graph Prompting 有许多优势，但它也存在一些局限性：

(1) 图构建的挑战

构建高质量的图结构数据是一个挑战。
图的构建可能需要大量的领域知识和人工标注。

(2) 图编码的挑战

如何有效地将图结构数据编码为 LLM 可以理解的格式是一个挑战。
不同的编码方法可能会影响 LLM 的性能。

(3) 计算成本

处理大规模图结构数据可能会导致较高的计算成本。

(4) 图的稀疏性

某些图可能非常稀疏，导致 LLM 难以有效利用图信息。

6. Graph Prompting 的应用场景

Graph Prompting 技术适用于以下场景：

(1) 知识图谱问答 (Knowledge Graph Question Answering, KGQA)

回答关于知识图谱中实体和关系的问题。
例如：谁是“爱因斯坦”的配偶？“相对论”是由谁提出的？

(2) 推荐系统 (Recommender System)

利用用户-物品交互图进行推荐。
例如：根据用户的历史购买记录推荐商品。

分析社交网络中的用户关系和行为。
例如：识别社交网络中的关键人物、预测用户之间的关系。

(4) 生物信息学 (Bioinformatics)

分析生物分子之间的相互作用。
例如：预测蛋白质之间的相互作用、发现新的药物靶点。

(5) 程序分析 (Program Analysis)

分析程序的依赖关系和控制流。
例如：检测程序中的错误、优化程序性能。

7. Graph Prompting 与其他技术的比较

(1) 与传统基于文本的提示的比较

传统基于文本的提示：主要依赖于自然语言描述。
Graph Prompting：利用图结构数据来增强 LLM 的推理能力。

(2) 与图神经网络 (GNN) 的比较

GNN：主要用于图结构数据的表示学习和预测。
Graph Prompting：利用 GNN 或其他方法编码的图信息，作为 LLM 的提示。

(3) 与检索增强生成 (Retrieval-Augmented Generation, RAG) 的比较

RAG: 从外部文档中检索相关信息, 作为 LLM 的输入.
Graph Prompting: 使用图结构数据作为 LLM 的输入, 强调实体之间的关系. 可以与 RAG 结合, 从知识图谱中检索相关实体和关系.

图提示 (Graph Prompting) 是一种利用图结构数据来增强大语言模型 (LLM) 在处理需要图推理的任务中性能的提示技术。它的核心优势在于：

增强关系推理能力。
提高知识利用率。
减少幻觉。
提高可解释性。

尽管 Graph Prompting 面临图构建、图编码等挑战，但它在知识图谱问答、推荐系统、社交网络分析、生物信息学、程序分析等领域的应用潜力巨大。未来，随着 LLM 技术的不断发展和图表示学习的不断深入，Graph Prompting 有望在更多领域发挥重要作用。

Graph Prompting 的核心理念——将知识表示为图的形式，并将其融入到 LLM 的提示中，为大语言模型的应用开辟了新的方向，也为构建更智能、更强大的 AI 系统提供了新的思路。

AI大模型-提示工程学习笔记21-图提示 (Graph Prompting)

目录 1. 图提示的核心思想 (1) 传统提示的局限性 (2) Graph Prompting 的解决方案 2. Graph Prompting 的工作流程 (1) 图构建 (2) 图选择/子图提取 (3) 图编码 (4) 提示构建 (5) LLM 推理与生成 3. Graph Prompting 的关键组件 (1) 大语言模型 (LLM) (2) 图数据库…...

编程日记 2025/9/12 23:11:28

C++ 中的 for 循环语句教程

摘要 for 循环是 C 中最常用的循环结构之一，用于重复执行一段代码，直到满足特定条件。它特别适合在已知循环次数的情况下使用。本教程将详细介绍 for 循环的语法、用法以及一些常见示例。 1. for 循环的基本语法 for 循环的语法如下： for …...

编程日记 2025/9/10 20:13:31

UniApp 中封装 HTTP 请求与 Token 管理（附Demo）

目录 1. 基本知识2. Demo3. 拓展 1. 基本知识从实战代码中学习，上述实战代码来源：芋道源码/yudao-mall-uniapp 该代码中，通过自定义 request 函数对 HTTP 请求进行了统一管理，并且结合了 Token 认证机制请求封装原理&#xff…...

编程日记 2025/9/8 1:43:30

paddlehub hub TypeError 错误

pip install paddlehub hub install chinese_ocr_db_crnn_mobile 提示错误： TypeError: Descriptors cannot be created directly. If this call came from a _pb2.py file, your generated code is out of date and must be regenerated with protoc > 3.19.0…...

编程日记 2025/9/10 21:12:02

机器学习--（随机森林，线性回归）

一、集成学习方法之随机森林集成学习的基本思想就是将多个分类器组合，从而实现一个预测效果更好的集成分类器。集成算法可以说从一方面验证了中国的一句老话：三个臭皮匠，赛过诸葛亮。集成算法大致可以分为：Bagging，B…...

编程日记 2025/9/9 15:46:38

和鲸科技推出人工智能通识课程解决方案，助力AI人才培养

2025年2月，教育部副部长吴岩应港澳特区政府邀请，率团赴港澳宣讲《教育强国建设规划纲要 (2024—2035 年)》。在港澳期间，吴岩阐释了教育强国目标的任务，并与特区政府官员交流推进人工智能人才培养的办法。这一系列行动体现出人工智…...

编程日记 2025/9/12 8:41:51

从暴力破解到时空最优：LeetCode算法设计核心思维解密

一、算法优化金字塔模型（时间复杂度/空间复杂度协同优化） 1.1 复杂度分析的本质大O记号的三层认知： ① 理论复杂度边界（理想模型） ② 硬件架构影响（缓存命中率/分支预测） ③ 语言特性损耗&am…...

编程日记 2025/9/7 7:40:08

关于在java项目部署过程MySQL拒绝连接的分析和解决方法

前言在最近一次部署项目一次项目部署过程中，由于没有对MySQL数据库的部分权限和远程连接进行授权，导致了在执行项目功能API时，出现MySQL连接异常或MySQL拒绝连接的问题。问题以下是部分报错截图： 分析根据日志提示&#xf…...

编程日记 2025/9/8 12:49:21

『抓包工具』安卓抓包小黄鸟 lsp过检测雷电模拟器root（保姆级图文）

目录准备工作雷电9.0.74 64位下载对应工具通过面具鸭安装面具安装防检测模块设置Zygisk安装小黄鸟简易抓包教程总结欢迎关注『抓包工具』专栏，持续更新中欢迎关注『抓包工具』专栏，持续更新中请注意不要随便升级雷电模拟器了不然你需要重新通过面具鸭安装面具准备工…...

编程日记 2025/9/9 4:24:07

k8S通过代理将集群外的中间件引入集群内访问 —— 筑梦之路

背景说明有部分中间件是跑在Kubernetes集群之外，我们希望通过service的方式来访问集群外的中间件，比如访问我们k8s集群外的elasticsearch集群。 ES节点本身又处在一个负载均衡IP：192.168.100.100 之后，但是代理的端口号是9202&am…...

编程日记 2025/9/10 18:47:22

【考试大纲】高级系统架构设计师考试大纲

目录引言一、考试说明1．考试目标2．考试要求3．考试科目设置二、考试范围考试科目1：系统架构设计综合知识考试科目2:系统架构设计案例分析考试科目3:系统架构设计论文引言最新的系统架构设计师考试大纲出版于 2022 年 11 月，本考试大纲基于此版本整理。一、考试说明…...

编程日记 2025/9/10 7:06:57

三个小时学完vue3 —— 简单案例（二）

三个小时学完vue3（二） 图片轮播案例 <!DOCTYPE html> <html lang"en"> <head><meta charset"UTF-8"><meta name"viewport" content"widthdevice-width, initial-scale1.0"><…...

编程日记 2025/9/7 10:12:45

筑牢安全防线：工商业场所燃气泄漏防护新方案

燃气安全是企业经营不可逾越的生命线。在餐饮后厨、化工车间、酒店锅炉房等场所，可燃气体一旦泄漏，极易引发严重事故。如何实现精准监测、快速响应，成为工业及商业领域安全管理的核心诉求。旭华智能深耕安全监测领域，推出的工业及…...

编程日记 2025/9/12 23:05:57

git上传仓库操作

在 Visual Studio Code (VSCode) 中，手动将本地仓库与远程仓库关联起来是一个常见的需求。以下是详细的操作步骤和解释： 前提条件已安装 Git：确保你的系统中已经安装了 Git，并且可以通过命令行运行 git 命令。已初始化本地仓库&…...

编程日记 2025/9/9 6:46:14

广义线性模型下的数据分析（R语言）

一、实验目的： 通过上机试验，掌握利用R实现线性回归分析、逻辑回归、列联分析及方差分析，并能对分析结果进行解读。数据： 链接: https://pan.baidu.com/s/1JqZ_KbZJEk-pqSUWKwOFEw 提取码: hxts 二、实验内容： 1、2…...

编程日记 2025/9/11 20:55:27

贪心算法精品题

1.找钱问题本题的贪心策略在于我们希望就可能的保留作用大的5元 class Solution { public:bool lemonadeChange(vector<int>& bills) {std::map<int ,int> _map;for(auto ch:bills){if(ch 5) _map[ch];else if(ch 10){if(_map[5] 0) return false;else{_m…...

编程日记 2025/9/12 21:09:12

爱普生汽车用显示控制器IC：ScalerIC,汽车接口IC,相机接口IC

爱普生汽车显示控制器IC，汽车显示控制器芯片可以分为三类：爱普生显示控制芯片Scaler IC ，爱普生汽车接口IC，爱普生相机接口IC。下面就给大家分别介绍下这三类芯片的具体型号的特征及用途。爱普生显示控制芯片 Scaler IC Scaler…...

编程日记 2025/9/7 6:32:37

深度学习基础--ResNet50V2网络的讲解，ResNet50V2的复现(pytorch)以及用复现的ResNet50做鸟类图像分类

🍨 本文为🔗365天深度学习训练营中的学习记录博客🍖 原作者：K同学啊前言如果说最经典的神经网络，ResNet肯定是一个，从ResNet发布后，作者又进行修改，命名为ResNe50v2&#xff0c…...

编程日记 2025/9/11 6:40:05

物理竞赛中的线性代数

线性代数 1 行列式 1.1 n n n 阶行列式定义 1.1.1：称以下的式子为一个 n n n 阶行列式： ∣ A ∣ ∣ a 11 a 12 ⋯ a 1 n a 21 a 22 ⋯ a 2 n ⋮ ⋮ ⋱ ⋮ a n 1 a n 2 ⋯ a n n ∣ \begin{vmatrix}\mathbf A\end{vmatrix} \begin{vmatrix} a_{11…...

编程日记 2025/9/12 0:29:44

OptiTrack光学跟踪系统：引领工厂机器人应用的革新浪潮

在现代化的工厂生产线上，一台机械臂正以惊人的毫米级精度执行着精密零件的装配任务。这一精准操作的背后，是OptiTrack光学跟踪系统的实时捕捉与优化，它正助力生产效率与产品质量迈向新的高度。如今，这一技术正在全球范围内广泛应用…...

编程日记 2025/9/9 17:10:09

Coze/Dify/Ollama在玩ai时候的用途

Coze、Dify 和 Ollama 是三种不同的工具或平台，它们各自有不同的定位和用途。以下是对它们的区别、优缺点以及部署和使用方式的详细分析。 1. Coze 简介 Coze 是一个专注于构建基于大语言模型（LLM）的应用程序的开发平台。它类似于 Dify&…...

编程日记 2025/9/10 18:42:25

使用Docker Compose部署 MySQL8

MySQL 8 是一个功能强大的关系型数据库管理系统，而 Docker 则是一个流行的容器化平台。结合使用它们可以极大地简化 MySQL 8 的部署过程，并且确保开发环境和生产环境的一致性。安装 Docker 和 Docker Compose 首先，确保你的机器上已经安装了 Docker 和 Docker Compose。 …...

编程日记 2025/9/7 10:58:23

Golang快速上手02/Golang基础

4.控制语句 4.1条件控制语句 4.1.1if-elseif-else 与clang不同，if不需要加() if <condition1> {<block1> } else if <condition2> {<block2> } else {<block0> }示例 a : 10 if a > 5 {fmt.Println("a > 5") } els…...

编程日记 2025/9/4 19:26:09

Nginx处理http的流程

文章目录前言一、发版本后旧版本可以用项目基本情况Nginx 配置**解释每一行的作用：****表现和行为：****适用场景**：资源的缓存策略在这里插入图片描述二， nginx处理http的流程Nginx 的 GitHub 源码地址 **Nginx 核心源码解读&a…...

编程日记 2025/9/12 5:26:31

算法之刷题汇总

剑指 Offer 剑指 Offer 题解 | CS-Notes 面试笔记 Leetcode Leetcode 题解 | CS-Notes 面试笔记 GitCode - 全球开发者的开源社区,开源代码托管平台...

编程日记 2025/8/26 12:21:32

【AIGC系列】4：Stable Diffusion应用实践和代码分析

AIGC系列博文： 【AIGC系列】1：自编码器（AutoEncoder, AE） 【AIGC系列】2：DALLE 2模型介绍（内含扩散模型介绍） 【AIGC系列】3：Stable Diffusion模型原理介绍【AIGC系列】4&#xff1…...

编程日记 2025/9/9 22:33:50

【Python爬虫(81)】当量子计算邂逅Python爬虫：一场技术变革的预演

【Python爬虫】专栏简介：本专栏是 Python 爬虫领域的集大成之作，共 100 章节。从 Python 基础语法、爬虫入门知识讲起，深入探讨反爬虫、多线程、分布式等进阶技术。以大量实例为支撑，覆盖网页、图片、音频等各类数据爬取，还涉及数据处理与分析。无论是新手小白还是进阶开发…...

编程日记 2025/9/7 15:32:18

Java Web应用中获取客户端的真实IP地址

Java Web应用中获取客户端的真实IP地址，尤其在存在代理服务器的情况下。代码示例： public static String getClientIP(HttpServletRequest request) {String ip = parseCommaSeparatedIPs(request.getHeader("X-Forwarded-For"));if (isInvalid(ip)) {ip = pars…...

编程日记 2025/9/11 20:55:28

R语言+AI提示词：贝叶斯广义线性混合效应模型GLMM生物学Meta分析

全文链接：https://tecdat.cn/?p40797 本文旨在帮助0基础或只有简单编程基础的研究学者，通过 AI 的提示词工程，使用 R 语言完成元分析，包括数据处理、模型构建、评估以及结果解读等步骤（点击文末“阅读原文”获取完整代…...

编程日记 2025/9/7 11:01:50

LangChain原理解析及开发实战指南（2025年最新版）

一、LangChain核心架构解析 1.1 框架设计理念 LangChain是基于提示工程(Prompt Engineering)构建的LLM应用开发框架，其核心思想是通过模块化组件实现大语言模型与业务系统的无缝对接。该框架采用分层设计： 接口层：统一对接OpenAI、DeepSee…...

编程日记 2025/9/7 19:47:24

赋能农业数字化转型雏森科技助力“聚农拼”平台建设

赋能农业数字化转型，雏森科技助力“聚农拼”平台建设在数字化浪潮席卷各行业的今天，农业领域也在积极探索转型升级之路。中农集团一直以“根植大地，服务三农”为核心，以“乡村振兴，农民增收”为目标，及时…...

编程日记 2025/9/8 13:44:52

CMU15445(2023fall) Project #2 - Extendible Hash Index 匠心分析

胡未灭，鬓已秋，泪空流此生谁料心在天山身老沧州 ——诉衷情完整代码见： SnowLegend-star/CMU15445-2023fall: Having Conquered the Loftiest Peak, We Stand But a Step Away from Victory in This Stage. With unwavering determinati…...

编程日记 2025/9/7 19:43:32

深度剖析Seata源码：解锁分布式事务处理的核心逻辑

文章目录写在文章开头如何使用源码(配置转掉)基于AT模式详解Seata全链路流程Seata服务端启动本地服务如何基于GlobalTransaction注解开启事务客户端如何开启分布式事务RM和TC如何协调处理分支事务RM生成回滚日志事务全局提交与回滚小结参考写在文章开头在当今分布式系统日益…...

编程日记 2025/9/9 0:33:45

python配置mmcv与mmdet环境

首先查看自己的cuda版本 nvcc --version 安装与cuda对应的torch版本，对应关系 Previous PyTorch Versions | PyTorch 安装对应的mmcv版本，使用下面命令可以自动安装匹配的版本，使用mim安装 mim install mmcv-full -f https://download.o…...

编程日记 2025/9/8 4:39:59

ESP 32控制无刷电机2

import machine import time import socket import network from machine import I2C, Pin, ADC def start_ap(): """ 启动ESP32的AP模式 """ ap network.WLAN(network.AP_IF) ap.active(True) ssid ESP32_APTest …...

编程日记 2025/9/12 9:22:23

【uniapp原生】实时记录接口请求延迟，并生成写入文件到安卓设备

在开发实时数据监控应用时，记录接口请求的延迟对于性能分析和用户体验优化至关重要。本文将基于 UniApp 框架，介绍如何实现一个实时记录接口请求延迟的功能，并深入解析相关代码的实现细节。前期准备&必要的理解 1. 功能概述该功能的…...

编程日记 2025/8/29 5:04:23

wps角标快速生成

使用^#符号匹配数字，将[^#]内容找到，随后在格式-字体中选择上标，逐个/批量替换即可（比一点点改效率翻倍）...

编程日记 2025/9/4 18:12:04

Azure Speech

1、文字转语音(Text-To-Speech, TTS) 2、语音转文字(Speech-To-Text): Azure Speech to Text 1- 环境配置：Microsoft Azure 注册使用免费服务： 需要信用卡，本人没有，所以没有完成注册...

编程日记 2025/8/26 12:33:01

SHELL32!ILCombine函数分析之连接两个idl

SHELL32!ILCombine函数分析之连接两个idl 第一部分： STDAPI_(LPITEMIDLIST) ILCombine(LPCITEMIDLIST pidl1, LPCITEMIDLIST pidl2) { // Let me pass in NULL pointers if (!pidl1) { if (!pidl2) { return NULL; …...

编程日记 2025/9/11 5:57:57

学习threejs，使用ShaderMaterial自定义着色器材质

👨‍⚕️ 主页： gis分享者 👨‍⚕️ 感谢各位大佬点赞👍 收藏⭐ 留言📝 加关注✅! 👨‍⚕️ 收录于专栏：threejs gis工程师文章目录一、🍀前言1.1 ☘️THREE.ShaderMaterial1.1.1…...

编程日记 2025/9/9 12:56:38

使用 Selenium 和 Requests 自动化获取动态 Referer 和 Sign 的完整指南

在现代网络爬虫和自动化任务中，动态生成的参数（如 Referer 和 Sign）常常是绕过反爬虫机制的关键。本文将详细介绍如何使用 Python 的 Selenium 和 Requests 库，从目标网页中提取动态 Referer 和 Sign，并完成后续的请求…...

编程日记 2025/9/10 6:22:15

1.2.3 使用Spring Initializr方式构建Spring Boot项目

本实战概述介绍了如何使用Spring Initializr创建Spring Boot项目，并进行基本配置。首先，通过Spring Initializr生成项目骨架，然后创建控制器HelloController，定义处理GET请求的方法hello，返回HTML字符串。接着&#xf…...

编程日记 2025/9/9 20:50:11

Cursor+pycharm接入Codeuim(免费版)，Tab自动补全功能平替

如题，笔者在Cursor中使用pycharm写python程序，试用期到了Tab自动补全功能就不能用了，安装Codeuim插件可以代替这个功能。步骤如下： 1. 在应用商店中搜索扩展Codeuim，下载安装 2. 安装完成后左下角会弹出提示框&#x…...

编程日记 2025/8/26 12:36:53

Ruby基础

一、字符串定义 283.to_s //转为string "something#{a}" //定义字符串，并且插入a变量的值 something//单引号定义变量 %q(aaaaaaaaa) // 定义字符串，（）内可以是任何数，自动转义双引号%Q("aaaaa"…...

编程日记 2025/9/7 5:45:00

wzl-django学习

####################################################总的urls.py from django.contrib import admin from django.urls import path,include, re_path from django.views.static import serve from django.conf import settings from drf_yasg import openapi from drf_yas…...

编程日记 2025/9/11 3:03:07

1. 图提示的核心思想

(1) 传统提示的局限性

(2) Graph Prompting 的解决方案

2. Graph Prompting 的工作流程

(1) 图构建

(2) 图选择/子图提取

(3) 图编码

(4) 提示构建

(5) LLM 推理与生成

3. Graph Prompting 的关键组件

(1) 大语言模型 (LLM)

(2) 图数据库 (Graph Database)

(3) 图编码器 (Graph Encoder)

(4) 提示模板 (Prompt Template)

4. Graph Prompting 的优势

(1) 增强关系推理能力

(2) 提高知识利用率

(3) 减少幻觉

(4) 提高可解释性

5. Graph Prompting 的局限性

(1) 图构建的挑战

(2) 图编码的挑战

(3) 计算成本

(4) 图的稀疏性

6. Graph Prompting 的应用场景

(1) 知识图谱问答 (Knowledge Graph Question Answering, KGQA)

(2) 推荐系统 (Recommender System)

(3) 社交网络分析 (Social Network Analysis)

(4) 生物信息学 (Bioinformatics)

(5) 程序分析 (Program Analysis)

7. Graph Prompting 与其他技术的比较

(1) 与传统基于文本的提示的比较

(2) 与图神经网络 (GNN) 的比较

(3) 与检索增强生成 (Retrieval-Augmented Generation, RAG) 的比较

相关文章：