#知识图谱

大模型真的理解上下文吗？知识图谱评估框架给出新答案

大模型真的理解上下文还是仅靠模式匹配？一项基于知识图谱的评估框架提出 S3KG 混合相似度度量，融合结构与语义信号，在九大基准上 F1 最高提升 7.6 分、AUROC 达 0.973，为 LLM 上下文理解评估提供新工具。

Semantica为什么火：AI结论也要交代依据

Semantica为什么受关注？它把AI结论重新接回事实、关系、来源与时间，做成可复盘的证据链。本文从一笔贷款审批出发，拆解关系、证据、治理三层机制及企业落地建议。

RAG系统如何应对状态、时效与冲突数据的难题

RAG系统在生产环境中如何处理动态状态、时间维度和冲突数据？本文分析元数据过滤、版本管理、双时态建模、冲突消解及GraphRAG等实用工程策略。

从零打造测试用例生成智能体：测试智能体与智能化测试平台实战解析

深度解析霍格沃兹测试开发学社的智能化测试实战：如何用DeepSeek Harness打造Web自动化智能体、诊断优化智能体执行速度，并通过工作流、RAG与知识图谱构建高覆盖度的测试用例生成智能体与测试平台。

HERMES：用知识图谱从临床文本预测患者结局

arXiv 新论文提出 HERMES 框架，完全基于临床文本构建个性化知识图谱，通过对比逻辑建模与图注意力网络进行患者结局预测。在 MIMIC-III/IV 上的院内死亡率与再入院预测任务中持续超越纯文本基线。

VisKG-LM：把知识图谱编译成视觉记忆，破解问答重复编码难题

VisKG-LM 提出将知识图谱编译成视觉记忆的新方法，解耦图编码与语言推理，仅用4亿在线参数即可匹敌70亿参数模型，在CommonsenseQA、OpenBookQA和MedQA三大基准上超越GreaseLM。

GraphEcho：揭示LLM图智能体的证据冗余陷阱

arXiv新研究GraphEcho提出基准测试，揭示LLM图智能体会把重复路径误当额外证据佐证的结构性缺陷，并评估来源感知后训练PAPT的效果与局限，探讨高效探索与有效用证之间的鸿沟。

可解释的智能体检索：让RAG不只是"猜对答案"

纯向量RAG的智能体虽能检索内容却无法解释推理来源。本文探讨基于Neo4j知识图谱、向量与图混合检索、多步验证实体抽取的可解释智能体检索方案，实现可追溯、有来源支撑的AI Agent答案。

向量RAG的天花板：为什么它答不出"为什么"？

向量RAG能召回相关文本块，却无法解释推理、连接跨文档事实。本文剖析向量检索在多跳推理上的结构性短板，以及用Neo4j知识图谱构建可解释、可审计RAG的架构思路。

基于Dify+Neo4j搭建本地知识图谱RAG系统实战

Nature Skills：用Claude Code自动化学术论文全流程详解

深度解析上海交大博士开源的Nature Skills项目，通过Claude Code的Skills机制实现学术论文润色、文献引用、科研绘图等7大流程自动化，附9条Skill写法规律和实战演示。

npcpy：用软件工程思维重构AI Agent开发的开源框架

深入解析npcpy开源框架的四层架构设计、多智能体协同机制、知识图谱生命周期管理以及工程部署方案，帮助开发者用软件工程思维构建稳定可控的AI Agent系统。

RAG技术全链路解析：核心原理、企业落地与学习路径

深度解析RAG（检索增强生成）技术的核心原理、三大价值、企业落地案例与常见困境，并提供从基础到进阶的系统学习路线，涵盖向量数据库、检索策略优化、知识图谱融合等关键技术栈。

CodeGraph实测：代码知识图谱如何将Token消耗降低90%

实测CodeGraph代码图谱工具，通过AST语法树构建GraphRAG知识图谱，无需AI参与即可将Claude Code查询时间从6分钟降至2分钟。对比GBrain记忆系统，解析工作原理与部署实践。

GitNexus：用知识图谱让AI编程告别盲改代码

GitNexus是一款36K Star的开源工具，通过知识图谱将代码库转化为结构化关系网络，让AI编程工具按需索引、精准获取代码信息，解决上下文爆炸、Token浪费和代码连锁反应问题。

Hermes Agent配置教程：六步搭建AI自动化工作流

详解Hermes Agent六步配置法：Graphify知识图谱节省71倍Token、Smart Model Router降低70%成本、爬虫矩阵实现全网感知、Browser Use浏览器自动操控，手把手教你搭建拥有记忆和执行力的AI自动化工作流系统。

Graphiti MCP Server配置教程：让Cursor和Claude Code拥有持久记忆

手把手教你配置Graphiti MCP Server，通过Neo4j时序知识图谱为Cursor、Claude Code添加跨会话持久记忆。含Neo4j安装、环境变量配置、MCP集成全流程，彻底解决AI编程助手上下文丢失问题。

MEME基准测试揭示LLM记忆系统致命缺陷：依赖推理准确率不足50%

MEME基准首次全面评估LLM记忆系统的依赖推理能力，测试6大主流系统结果显示最佳准确率仅42%。本文深度解析级联推理、缺失推理等关键任务的失败根因，并探讨下一代AI Agent记忆架构的改进方向。

nmem开源项目详解：六层记忆架构让AI Agent越用越聪明

深入解析nmem开源AI Agent记忆管理系统，详解六层记忆层次架构、混合搜索、置信度衰减、跨Agent知识共享等核心特性，以及MCP协议集成与实际应用场景。