构建AI智能体：三十七、从非结构化文本到结构化知识：基于AI的医疗知识图谱构建与探索
知识图谱是一种用图结构表示实体及其关系的技术，通过三元组（主体-关系-客体）构建语义网络。文章以医疗领域为例，详细介绍了知识图谱的构建流程：数据预处理、实体识别、关系抽取、知识融合、存储与可视化等步骤。知识图谱可应用于智能问答、辅助诊断、药物研发等场景，其结构化特性可弥补大语言模型的不足，二者结合能提升AI系统的准确性和可解释性。文章还展示了基于大模型的医疗知识图谱构建代码示例，涵盖实体识别、关系抽取、图谱存储和智能问答等核心功能，体现了知识图谱在专业领域的实用价值。
深度解读Schema：AI时代的E-E-A-T数字语言与Geo优化实践
本文探讨生成式AI时代下，内容优化从SEO向Geo（生成引擎优化）的范式转移，聚焦于磊老师提出的“人性化Geo+内容交叉验证”体系，详解如何通过Schema结构化数据将E-E-A-T原则转化为AI可读信号，提升内容在AI摘要与推荐中的采纳率，并结合实战案例展示其在传统制造、教育等行业的显著获客提效成果。
基于通义千问：全AI自动驱动合同审查系统的技术解构与实践
“律杏法务云+通义千问”实现合同审查智能化跃迁，融合法律知识图谱与大模型技术，构建生成、审查、交互、进化闭环。支持智能清单生成、风险识别、条款补漏与AI对话，审查效率提升10倍，漏检率低于0.3%，推动法律科技进入AI新范式。
高级检索增强生成系统：LongRAG、Self-RAG 和 GraphRAG 的实现与选择
检索增强生成（RAG）已超越简单向量匹配，迈向LongRAG、Self-RAG与GraphRAG等高级形态。LongRAG通过大块重叠分片保留长上下文，提升连贯性；Self-RAG引入反思机制，动态判断检索必要性与内容相关性，增强可信度；GraphRAG构建知识图谱，支持多跳推理与复杂关系挖掘。三者分别应对上下文断裂、检索盲目性与关系表达缺失难题，代表2025年RAG工程化核心进展，可依场景组合使用以平衡准确性、成本与复杂度。
