LLM（LargeLanguageModel）大模型的可观测性是指对模型内部运行过程的理解和监控能力。由于LLM大模型通常具有庞大的参数量和复杂的网络结构，因此对其内部状态和运行过程的理解和监控是一个重要的问题。什么是LangChain？LangChain是一个开源的应用开发框架，旨在将大型语言模型（LL...(more)

众所周知，LLM（大型语言模型）正在成为推动下一波技术创新浪潮的颠覆性力量，类似于互联网、智能手机以及云计算所引发的革命。通常来说，LLM（大型语言模型）往往具备丰富而强大的功能。它能够生成令人惊叹的新颖文本，进行语言翻译，撰写各种类型的富有创意的内容，并以信息丰富的方式回答...(more)

近来NebulaGraph社区在LLM+Graph和GraphRAG领域进行了深入的探索和分享。在LlamaIndex和LangChain中，NebulaGraph引入了一系列知识图谱和图存储工具，支持编排、图谱与大模型间的交互。之前，NebulaGraph布道师古思为作为这项工作的主要贡献者已向大家详细介绍了如何构建图谱...(more)

在选择适合您业务场景的语言模型（LLM）时，可以考虑基于微调开源模型和检索增强生成（RAG）的方法。像Llama2这样的开源LLM会根据客户的语料库进行微调。这使得经过微调的模型能够内化和理解客户的特定领域，从而无需额外的上下文即可回答问题。解决该问题的第二种方法是检索增强生...(more)

自LLM系列文章[《知识图谱驱动的大语言模型LlamaIndex》、《Text2Cypher：大语言模型驱动的图查询生成》、《GraphRAG:知识图谱结合LLM的检索增强》陆续和大家见面，以及《夜谈LLM》]主题直播同大家交流一番LLM和知识图谱、图数据库之后，在上周NebulaGraph的研发人员做客开源...(more)

本文为大家揭示NebulaGraph率先提出的GraphRAG方法，这种结合知识图谱、图数据库作为大模型结合私有知识系统的最新技术栈，是LLM+系列的第三篇，加上之前的图上下文学习、Text2Cypher这两篇文章，目前NebulaGraph+LLM相关的文章一共有3篇。##GraphRAG在第一篇关于上下文学习的博...(more)

话接上文[《图技术在LLM下的应用：知识图谱驱动的大语言模型LlamaIndex》]同大家简单介绍过LLM和图、知识图谱相关的结合，现在我来和大家分享下最新的成果。毕竟，从GPT-3开始展现出超出预期的“理解能力“开始，我一直在做Graph+LLM技术组合、互补的研究、探索和分享，截止到现在...(more)

本文整理自社区用户陈卓见在「夜谈LLM」主题分享上的演讲，主要包括以下内容：利用大模型构建知识图谱利用大模型操作结构化数据利用大模型使用工具利用大模型构建知识图谱上图是之前，我基于大语言模型构建知识图谱的成品图，主要是将金融相关的股票、人物、涨跌幅之类的基金信...(more)

LLM+Graph本文整理自NebulaGraph布道师wey在「夜谈LLM」主题分享上的演讲，主要包括以下内容：背景LLMRAGGraph知识抽取Text2CypherGraphRAG未来规划技术背景LLM是什么这里简单、快速地介绍下大语言模型：从GPT-2开始，到后来流行的GPT-3，人们逐渐意识到语言模型达到一定规模，借助...(more)

LLM如火如荼地发展了大半年，各类大模型和相关框架也逐步成型，可被大家应用到业务实际中。在这个过程中，我们可能会遇到一类问题是：现有的哪些数据，如何更好地与LLM对接上。像是大家都在用的知识图谱，现在的图谱该如何借助大模型，发挥更大的价值呢？在本文，我便会和大家分享下如何利...(more)