标签
Andrej Karpathy 加入了 Anthropic，领导一个团队使用 Claude 来加速预训练研究。文章还引用了 Anthropic 发布的关于知识图谱构建的 Claude 指南。
本文提出了随机学生知识图谱（SSKG），以实现LLM对学生知识的忠实模拟，克服了LLM倾向于按自身能力水平表现而非模拟不同掌握程度档案的限制。
本文提出了一种面向制造知识图谱的可组合信任基础设施，专注于跨系统溯源、时间推理和决策可追溯性。
本文提出了一种范畴方法，通过将论文建模为小范畴，并使用函子保持门过滤跨域类比，以生成可证伪的研究想法，改进了传统的基于大语言模型的方法。
Anthropic 雇佣了一位专精于为多智能体系统构建知识图谱的工程师，一个15分钟的研讨会展示了如何使用 Claude Agent SDK 以高效步骤构建一个知识图谱。
G-MARK 是一个接地多智能体推理框架，利用知识图谱通过保留对象溯源并减少通信负载来增强协同驾驶，同时提高推理和规划准确性。
本文介绍了RDFdL，一个将RDF与微分动态逻辑集成的框架，以实现对信息物理系统中静态知识和动态行为的推理。
ReLTEx是一个基于LLM的可靠分类法扩展框架，它将LLM驱动的候选生成与结构感知验证及递归扩展控制相结合，以减少幻觉并提高一致性。在基准分类法上的实验表明，它能够产生更可靠且语义连贯的扩展。
TRACE 是一种面向公共服务聊天机器人的检索增强对话引擎，通过增强对嘈杂目录的检索质量来改进约束感知推荐，同时减少幻觉响应。
Introduces NL2SHACL-Bench, a benchmark suite for translating natural language requirements into SHACL shapes, evaluating four state-of-the-art LLMs and showing they struggle with semantic equivalence for complex patterns.
A technical post explaining why RAG fails for multi-hop queries and presenting a 9-step roadmap for building context graphs, where entities are nodes and relationships are edges, with a minimal 150-line engine.
KnowPlan is an extraction-first framework for personalized academic degree pathway planning, using CatalogBrowse to reconstruct curricula from heterogeneous university sources and DegreeMap to optimize personalized plans via CP-SAT, achieving high recall and feasibility across evaluations.
本文提出了Mecellem语义协议，这是一个基于本体论的人工法律智能框架，主张法律推理需要动态的、依赖上下文的含义构建，而非仅仅是法典化或统计模式识别。
ProPRL提出了一种属性感知的前置关系学习框架，用于教育知识图谱，结合概念-资源超图和有向行为图，采用自适应成对条件融合与不可逆性约束，实现了最先进的性能。
PULSE is a new executable contract language for spatiotemporal knowledge graph engineering, providing a typed runtime with role-based write effects, safety properties verified in Lean 4, and trace parity across large datasets.
本文提出了一种将知识图谱集成到基于ROS 2的机器人系统中的方法，以提升搜索与救援等任务中的自主性和决策能力，并通过Aerostack2框架进行了演示。
IRIS是一个无需训练的框架，利用冻结的大语言模型为知识图谱中的实体构建可复用的身份表示，从而能够在不同知识图谱间实现高效的实体对齐，无需依赖配对处理。
HyCE-RAG 是一种新颖的基于超图的检索增强生成框架，专为多跳问答设计，通过置信度感知的启发式搜索构建显式证据链，在准确性、相关性和忠实度方面优于标准 RAG 和基于图的 RAG 方法。
IBM推出了一门免费的一小时课程，内容涵盖从介绍到多智能体编排的代理型知识图谱构建。
MA-DAR是一个即插即用框架，通过将重放表示和当前表示对齐到共享流形上，并利用动态门控机制进行自适应融合，解决了基于重放的持续时序知识图谱推理中的表示冲突问题。