graph database
PulseAugur coverage of graph database — every cluster mentioning graph database across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
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…
-
Claude 编码指南：掌握用于代理编排的循环和图
本文探讨了循环和图在代理编排中的实际应用，特别是在 Claude 编码环境中。它深入研究了如何有效地构建和嵌套这些元素来管理复杂的代理行为。该指南旨在为开发人员提供对这些概念的清晰理解，以构建更复杂的 AI 代理。
-
AI代理：理解Harness、Loop和Graph架构层
Harness、Loop和Graph这些术语代表了AI代理语境下不同的架构层级。Harness指的是支持代理操作的基础设施或框架。Loop表示代理与其环境交互并优化其行动的迭代过程或周期。在此语境下，Graph可能涉及代理使用的数据结构或知识表示，可能涉及图数据库来管理复杂的关系和信息。
-
新的采样方法使机器学习能够处理可变大小的输入
研究人员提出了一种新颖的机器学习模型框架，该框架能够处理不同大小的输入，例如点云、序列和图。该方法利用随机采样映射来比较和近似不同维度的输入，解决了泛化到更大未见数据和高效评估的挑战。该方法为跨越各种函数类（包括在序列、图和张量上定义的函数类）的泛化和草图提供了明确的速率。
-
Amazon Bedrock 为药物研究和电子邮件自动化提供 AI 支持
亚马逊正在利用生成式 AI 及其 Amazon Bedrock 服务来增强各种应用程序。一种用例涉及通过 GraphRAG 进行智能药物研究，该技术将图数据库与生成式 AI 相结合，以加速科学发现。另一个应用程序展示了公共部门组织如何使用由 Amazon Bedrock 提供支持的生成式 AI 解决方案来自动化电子邮件管理。
-
新的主动学习算法应对对抗性图损坏
研究人员开发了一种新的主动学习算法，旨在识别图中的损坏顶点，即使在对手篡改网络结构的情况下也能做到。该算法旨在通过最少数量的标签查询来有效地找到这些隐藏的顶点。其查询复杂度多项式地依赖于对手的能力和图的顶点扩展度（一种连通性度量）。这项工作强调了顶点扩展度在能够抵抗结构性对抗性攻击的主动学习算法中的关键作用。
-
新的图热度建模技术增强了空间结构估计
研究人员开发了一种新的方法来估计真实世界数据集中的空间结构，重点关注神经生理学数据分析。该技术是图上噪声驱动热度模型的扩展，放宽了先前的噪声假设并纳入了正则化以增强鲁棒性。该研究包括一个用于受控评估的模拟程序，并在两个实验数据集中展示了该方法捕获有意义的空间结构的能力，旨在提高基于图的技术的可解释性。
-
新工具使用图数据库防止大型语言模型（LLM）代码摘要产生幻觉
一个名为 code-graph-ai-summarizer 的新 Python 项目旨在改进大型语言模型（LLM）摘要代码库的方式。该工具不会直接将原始代码输入大型语言模型（LLM），因为这可能导致幻觉和不准确，而是首先使用静态分析构建一个结构化的代码属性图（CPG）。这个图使用 Joern 等工具创建，融合了抽象语法树、控制流图和数据依赖图。然后，大型语言模型（LLM）会收到一个从该图派生的精选事实清单，使其能够通过叙述经过验证的事…
-
新研究提出图增强LLM用于空间推理
一篇新研究论文提出使用图增强大型语言模型（LLM）来提高空间推理能力。该论文强调，虽然LLM通过检索增强生成（RAG）等技术在复杂任务上取得了进步，但其空间推理能力仍然是一个重大限制。为解决此问题，该研究设想将LLM与能够利用图数据库进行增强空间数据分析的搜索引擎相结合。这一进展可能会影响城市规划、土木工程和旅游等领域。
-
AI agents need durable external brains, not just large context windows
当前在AI模型中使用大上下文窗口的方法不足以实现长期记忆，因为上下文窗口充当临时工作记忆而非持久存储。真正的AI记忆需要一个独立的、持久的系统，该系统能够跨会话存储和检索信息。这种外部大脑应为智能体设计，具备云同步、强大的搜索功能以及随时间跟踪信息来源和置信度的能力。允许自我纠正并透明地展示信息如何变化的系统对于建立对AI记忆的信任至关重要。
-
AI系统需要三种数据库：向量、图和关系型
生产级AI系统，特别是那些使用检索增强生成（RAG）的系统，当单一数据库被迫处理多样化的数据类型和功能时，常常会失败。向量数据库在语义搜索方面表现出色，但缺乏强大的事务保证，并且在更新方面存在困难，导致“漂移”，即过时信息被当作事实呈现。图数据库在结构化关系方面很有效，但对于批量文本检索效率低下，而关系型数据库提供可靠性，但缺乏语义搜索能力。作者提倡采用多数据库架构，利用每种数据库类型的特定优势来构建更具韧性和准确性的AI系统。
-
Microsoft 365 演变为 AI 开发工具的可编程上下文层
Microsoft 正在将其 Microsoft 365 套件演变为面向开发者工具和 AI 助手的可编程上下文层。新的 Work IQ 功能旨在使企业数据（如电子邮件、文档和会议记录）在 VS Code 等开发环境中可用。这种集成允许 AI 助手推理项目讨论和需求，通过将其置于更广泛的工作上下文中，可能减少手动搜索并改进代码生成。Microsoft 还通过 MCP 工具引入了治理功能，以管理对这些代理工作流的访问并确保合规性。
-
新的RAG方法通过丰富上下文和分析信息流来提高准确性
研究人员正在开发先进的技术来改进检索增强生成（RAG）系统，这些系统将语言模型建立在外部数据之上。一种名为ContextRAG的方法，在不依赖昂贵的基于LLM的实体提取的情况下构建图索引，显著减少了令牌使用和索引时间，同时保持了有竞争力的性能。另一项研究使用电路追踪来构建归因图，揭示成功的RAG依赖于更深层次的推理路径和更结构化的信息流，从而形成一个用于错误检测和有针对性干预以改进基础的框架。此外，一个名为Contextual Ret…
-
Eugene Yan 分享关于推荐系统和数据角色的见解
Eugene Yan 分享了两次 DataScience SG 会议的见解，一次侧重于推荐系统，另一次侧重于数据领域的各种角色。推荐系统讲座探讨了基线方法以及新颖的图和 NLP 技术，详细介绍了从数据采集到结果比较的端到端流程。关于数据角色的小组讨论强调了逻辑思维和编程等基本技能，并强调了好奇心、毅力和谦逊对于职业成功的重要性。两次活动都强调了在快速发展的数据行业中持续自我学习的必要性。