标签
微软研究院发布了PlugMem，一款面向AI智能体的内存插件，可将经验提炼为知识图谱，将上下文令牌减少10-100倍，并在无需微调的情况下提高决策效用。
Neo4j 的 Will Lyon 展示了一个录制会话，内容涉及使用记忆和上下文图设计有状态的 AI 智能体，并涵盖常见陷阱以及与 Salesforce Agentforce 和 Databricks 的集成。
本文介绍了DREAM，一种用于基于大语言模型角色扮演智能体的结构化记忆框架，利用事件感知记忆图来维持时间与因果连贯性，并提出了TCM基准用于评估。
一条推文，描述一个个人知识管理系统，其中Claude读取并链接仓库中的Markdown笔记，充当一个便携的、模型无关的第二大脑的图书管理员。
科普了RAG技术从2020年基础RAG到2025-2026年自主智能体+强化学习的演进路径，涵盖检索精度提升、反思纠偏、图谱增强、路由优化与Agentic RAG等方向，并总结了各阶段代表性工作与痛点。
这篇IEEE论文介绍了一个AI驱动的知识图谱平台，将数据库课程中的SQL错误与概念差距联系起来，自动提取课程概念并将其与学生提交关联，以提供个性化的诊断反馈。
本文介绍了PatTree，一种基于图的多模态患者表示方法，能够自动对异构临床数据进行结构化处理，以用于医学分类任务。在ADNI-1队列上，它达到了最先进的性能，阿尔茨海默病分类的平衡准确率为98.5%。
提出了一种基于证据的多模态流水线，从讲座视频中构建富含溯源信息的知识图谱，结合ASR、OCR和视觉-语言模型，在神经网络讲座上实现了高检索准确率。
一个免费的GitHub仓库使用Claude将笔记连接到你自己机器上的知识图谱中，可能取代AI笔记应用。这条推文推广了一篇关于用这种方法构建第二大脑的文章。
RAG-Anything 是一个基于 LightRAG 构建的多模态文档处理 RAG 系统，它解析文档、构建多模态知识图谱，并使用混合向量-图检索来回答问题。
COntExt 是一个用于上下文感知本体扩展的框架，它以结构化的运营指标定义作为输入，并建议如何将引用的概念和属性集成到现有本体中。对七个本体的评估表明，与本体上下文基线相比，从指标派生的上下文改善了关系类型预测和数据属性分配。
NeSyFS是一个面向部分可观测环境下LLM智能体的神经符号框架，利用知识图谱表示信念状态，结合快慢思考与不确定性感知规划及反思机制，在ALFWorld、Webshop和ScienceWorld上取得了显著效果。
本文介绍了一个生产级抽取层，利用本地托管的经过调优的Qwen大语言模型，将异构文档转换为与本体对齐的知识图谱，并采用本体引导的提示、多阶段去重和基于嵌入的解析。在情报语料上的评估表明，搜索召回率从约70%提升到95%，且没有错误合并。
介绍开源项目ai-knowledge-graph，可将长文自动拆块、抽取三元组并生成交互式知识图谱HTML，兼容OpenAI API及本地模型，适合调研和文档整理。
文章讨论了为何LLM无法从用户交互中学习，且缺乏确定性的真值层，提出动态知识图谱可以减少幻觉并在医学等高风险领域提升性能。
Graphify 是一款开源工具，可将代码库、文档、SQL 模式、配置和 PDF 转化为可查询的知识图谱，供 Claude Code、Cursor、Codex 和 Gemini CLI 等 AI 编程助手使用。它采用本地确定性的 AST 解析，无需向量存储。
本文提出GGC，一种生成器-门控-纠正器框架，通过选择性纠正LLM生成的SPARQL查询来提高可靠性和准确性，在MCQA上达到98.33%的查询级准确率，同时将推理开销降低45%。
This paper introduces Hybrid Ontology Matching (HOM), unifying equivalence and subsumption discovery, and proposes AgentMap, an LLM-based multi-agent framework for joint ontology matching. Experiments show promising results on hybrid, equivalence-only, and subsumption-only settings.
本文介绍了Kontrast，一种利用Text-to-SPARQL和LLM推理自动检测Wikipedia文本、表格和Wikidata知识图谱之间知识不一致性的框架。
本文介绍了ScalableRAG，一种检索增强生成方法，通过基于正则表达式的集合创建和聚合推理，在无需任何摄入成本（无需向量数据库或知识图谱）的情况下实现高准确率。它在多个数据集上优于基线方法，并提出了一个有限摄入变体以进一步提升准确率。