graph database
PulseAugur coverage of graph database — every cluster mentioning graph database across labs, papers, and developer communities, ranked by signal.
6 天有情绪数据
-
通过 osFoundry 的 Claude 聊天运行本地图数据库
dev.to 文章详细介绍了如何将本地图数据库 osFoundry 与 Claude 聊天集成。用户可以设置桌面应用程序来运行特定的图会话，例如生成每周 KPI 摘要，然后指示 Claude 执行这些会话。Claude 作为接口，接收请求，将请求排队等待桌面应用程序处理，并返回结果或状态更新。该系统强调图数据和执行保留在用户的本地计算机上，Claude 只与元数据和结果进行交互。
-
osFoundry 使 Claude 能够运行本地桌面代理程序
osFoundry 平台允许用户直接在本地桌面上运行称为 Graph 的复杂、多步骤代理程序，而不是在远程服务器上运行。用户可以通过与特定项目共享桌面应用程序中的保存会话来配置 Claude 以启动这些 Graph。当 Claude 被要求运行 Graph 时，它会向 osFoundry 发送一个请求，osFoundry 然后将任务排队，供用户的桌面应用程序拾取。桌面应用程序会轮询新任务并执行 Graph，Claude 会收到有关进度…
-
osFoundry 推出 Loop 和 Graph 以实现工作流自动化
osFoundry 的桌面应用程序提供两种用于自动化工作流的独特功能：Loop 和 Graph。Loop 专为重复性任务而设计，允许代理反复尝试一个目标，直到满足定义的成功标准，并可选择设置最大轮数和失败限制。另一方面，Graph 处理分支工作流，其中下一步取决于中间结果，支持条件逻辑、并行处理、人工审批和调用其他图。开发人员可将这些工具用于自动化测试等任务，非开发人员则可用于竞争性分析。
-
AI 代理利用“后门”进行未经授权的操作，绕过工具限制
AI 代理中一种被称为“后门”的安全漏洞允许它们执行超出其明确授予工具范围的操作。即使在直接工具访问受到限制的情况下，这些代理也可以利用现有的功能（如 PowerShell 脚本或浏览器会话）来执行任务，例如发送电子邮件。为了缓解这种情况，安全策略应侧重于在服务级别控制操作，而不是仅仅管理工具列表，确保代理拥有有限的身份和沙盒运行时环境，以防止未经授权的操作。
-
AI研究被纳入新的两层知识图谱进行编目
研究人员开发了一个新颖的两层知识图谱系统，用于编目AI和数据库研究等领域的开放问题。该系统旨在将基于散文的问题描述转化为结构化数据，从而实现更动态的查询和研究进展跟踪。虽然该系统在回答有关问题状态和相关研究人员的复杂问题方面显示出潜力，但一项审计发现自动化的状态判断存在重大不准确之处，这促使研究人员提出一种设计，即通过证据来提议状态更改，而不是自动应用，从而使人类评审员成为架构的组成部分。
-
综述论文提出全模态AI嵌入的统一框架
一篇新的综述论文提出了一个全模态嵌入研究的统一框架，认为尽管目前在文本、视觉和音频等不同数据类型之间存在碎片化，但该领域正在趋于统一。该论文引入了一个三能力框架（覆盖性、可比性、组合性），并概述了三种统一路径：转换、对齐和联合嵌入。这项工作旨在弥合孤立的研究社区之间的差距，并促进跨模态理解。
-
AI应用探索：自主代理、图数据库和图像生成
多篇文章讨论了AI和图数据库在不同领域的应用。其中一篇详细介绍了自主代理的案例研究，重点关注持久性、检索和真实世界数据及局限性下的记忆评估。另一篇文章探讨了图数据库如何管理复杂的依赖关系，以空中交通管制延误为例，说明了连锁效应显著的系统。此外，还提到了AI图像生成的成本、Claude Code默认设置的调整，以及拒绝“黑箱”AI而倾向于透明、可审计的系统。
-
图数据库增强智能合约审计工具
本文探讨了图数据库在增强智能合约审计工具方面的必要性。文章提出构建一个利用图技术的审计代理，以提供超越简单错误标记的更全面分析。文章强调了FalkorDB作为开发此类高级审计解决方案的潜在平台。
-
图神经网络与图数据库集成，实现更快的训练和推理
研究人员探索了图神经网络（GNN）与图数据库的集成，这是一种处理大型图数据的新方法。该研究表明，图数据库可以直接执行GNN训练和推理任务，包括采样和特征检索。优化显示，训练速度显著加快，大约快2.5倍，同时不影响准确性。此外，数据库内推理比将图加载到RAM的传统方法快10倍以上，且没有额外的内存开销。
-
图数据库赋能更快的GNN训练与推理
研究人员探索了使用图数据库进行图神经网络（GNN）的训练与推理，超越了传统的内存存储。他们的工作表明，图数据库可以使用Cypher等查询语言直接执行GNN的采样、特征检索甚至完整的正向传播。这种方法提供了显著的性能提升，训练速度约提高2.5倍，推理速度比传统方法快10倍以上，且没有额外的内存开销。
-
新论文详述 RAG 系统配置故障及修复方法 · 追踪 4 个来源
一篇新论文首次对检索增强生成 (RAG) 系统的配置问题进行了大规模实证研究，分析了 10 个不同系统中的 654 个实际问题。该研究对症状、根本原因和修复方法进行了分类，揭示了问题常常在不同阶段显现，而非其起源阶段。该论文为从业者提供了九个可操作的见解，以改进 RAG 配置的测试、定位和修复。这项工作填补了对 RAG 系统故障系统性理解的空白，这些故障通常与其复杂、可配置的性质有关。
-
新的动态规划方法分析图上的追逐-逃避博弈
研究人员开发了一种新的基于集合的动态规划方法，用于分析图上的离散、同步移动追逐-逃避博弈。该方法提供了追逐者获胜的充要条件，与之前仅提供充分条件并依赖开环策略的几何方法不同。该分析还允许将优势集转换为实时反馈策略。对于双方都无法保证获胜的情况，该研究引入了一种瞬时矩阵博弈公式来确定追逐者获胜概率的界限，并通过仿真结果验证了该方法。
-
研究发现，因果生成方法有益于医学图像增强
一篇新研究论文探讨了用于增强数据集的合成医学图像生成中的因果与非因果方法之间的区别。该研究比较了三种条件策略：确定性、无向和因果性，并分析了它们对图像质量和下游模型性能的影响。实验表明，采用因果方法（该方法沿着有向因果图传播干预）可以在数据集增强方面带来切实的益处，通过降低对数据集偏差的敏感性来提高模型性能和公平性。
-
新方法使用超图改进冻结图聚类
研究人员开发了一种名为选择性超图细化（SHR）的新型后处理技术，用于改进已训练和冻结的图模型的聚类结果。该方法利用属性超图来捕捉超越标准图的高阶关系，在不改变模型参数或节点表示的情况下细化聚类分配。SHR根据从图结构、节点属性和证据得出的可靠性评估来选择性地更新节点，旨在最大限度地减少错误更改，同时最大限度地提高性能提升。评估表明，在冻结的聚类输出中存在一个可衡量的、尽管是异构的细化空间，并且在各种骨干网络-数据集组合中观察到了积极的…
-
调查将协作学习从欧几里得数据映射到图结构数据
本次调查论文探讨了协作学习从传统欧几里得数据到更复杂的图结构数据的演变。通过考察联邦学习和去中心化学习等方法，解决了中心化机器学习的可扩展性和隐私问题等局限性。该论文对图分布场景进行了分类，并提出了图上学习的标准框架，强调了这一新兴领域中开放的挑战和未来的研究方向。
-
新的ExBind基准测试AI的视觉到可执行映射准确性
研究人员推出ExBind，一个旨在评估多模态AI模型视觉到可执行对应能力的新诊断基准。该基准专门关注模型必须将视觉或语义参考准确映射到正确可执行对象的层面，将其与更广泛的语义定位或动作执行区分开来。ExBind包含广泛和有针对性的案例套件，其中Qwen2.5-VL-3B在候选有效性方面表现出色，但精确准确性较低，而Qwen3-VL-4B在两项指标上均展现出近乎完美 M 的性能。
-
AI与数学：探索回文数、三角数和Opus5
Mastodon用户decompwlj发布的一系列帖子探讨了数学概念，包括十进制回文数和三角数。帖子还提到了Opus5，暗示了与AI模型或该领域研究的联系。内容深入探讨了分形图和数字分类，并特别提到了可分解素数。
-
新的贝叶斯框架增强了图依赖趋势过滤
研究人员开发了一种新的贝叶斯趋势过滤框架，该框架能有效利用图依赖数据结构。通过将图信息纳入趋势、局部收缩和马尔可夫链蒙特卡洛采样算法中，该方法提高了适应性和精度。该框架提供了改进的点估计和区间估计，以及具有竞争力的计算性能，并已应用于 COVID-19 大流行期间失业数据的时空建模。
-
pdlc-skills工程范式通过共享文件而非直接调用相互关联
本文探讨了pdlc-skills框架内的工程范式，重点关注其三个层级——Graph、Loop和Prompt Layer——如何交互。与典型的软件设计不同，这些层级之间没有直接调用。相反，它们通过磁盘上的共享文件间接通信，该文件充当状态共享机制。这种方法允许并行处理功能，并确保每个层级执行其特定功能，而无需了解其他层级。
-
新框架将 AI Agent 架构分为五个层级
AI Agent 的架构可以通过五个不同的层级来理解：Prompt（提示）、Context（上下文）、Loop（循环）、Graph（图）和 Harness（约束）。这个框架通过识别哪个层级对故障负责，帮助开发者诊断和修复问题。Prompt engineering 专注于指令的措辞，而 context engineering 则处理呈现给模型的信息的选择和管理。Loop 层级控制 Agent 的执行时序，Graph 层级管理不同工作单元…