Graph RAG: 知识图谱结合 LLM 的检索增强
RAG（Retrieval Argumented Generation）这种基于特定任务/问题的文档检索范式中，我们通常先收集必要的上下文，然后利用具有认知能力的机器学习模型进行上下文学习（in-context learning），来合成任务的答案。这次，我们借助 LLM 的力量，强化下 RAG。
阿里云图数据库GDB V3引擎发布，加速开启“图智”未来
无论是学术界还是产业界，都对图数据库有比较高的预期。Gartner发布的《2021年十大数据和分析技术趋势》中提到：“到2025年图技术在数据和分析创新中的占比将从2021年的10%上升到80%。”应用需求推动着技术的发展，在GDB V3的引擎设计过程中，通过重建并改进数据存储架构、优化数据流转过程、自研计算引擎、重写执行引擎，以及资源池化、无锁化编程等一系列性能优化方法，从而逐步逼近物理硬件的极限性能。提供超越传统图数据库百倍的查询能力，为图技术的应用，解锁了更多的可能性。
行业首创 ！Graph RAG：基于知识图谱的检索增强技术与优势对比（附 Demo）
悦数图数据库率先实现了与 Llama Index、LangChain 等大语言模型框架的深度适配并在行业内首次提出了 Graph RAG（基于图技术的检索增强）的概念，利用知识图谱结合大语言模型（LLM）为搜索引擎提供更全面的上下文信息，可以帮助用户以更低成本获得更智能、更精准的搜索结果。目前，悦数图数据库推出的这项技术在与向量数据库结合的领域也获得了相当不错的效果。
如何检查结构体的对齐情况
在C/C++中，结构体的对齐情况会影响内存布局和访问效率。可以通过以下方法检查结构体的对齐情况：1. 使用 `sizeof` 操作符获取结构体大小；2. 使用 ` offsetof` 宏获取成员偏移量；3. 编译器提供的对齐属性或指令。
阿里云图数据库GDB交流 资料下载
分享嘉宾
刘显（泽贤） 阿里巴巴高级技术专家存储&数据库领域专家。在基础技术体系深耕10余年，于2015年加入阿里，目前是阿里云图数据库GDB架构师，负责GDB的架构演进及技术建设相关工作。
直播介绍
第一部分：图数据库GDB基本介绍第二部分：图数据库GDB场景及案例分享第三部分：图数据库GDB.
当金融风控遇上人工智能，众安金融的实时特征平台实践
随着企业数字化转型升级，线上业务呈现多场景、多渠道、多元化的特征。数据要素价值的挖掘可谓分秒必争，业务也对数据的时效性和灵活性提出了更高的要求。在庞大分散、高并发的数据来源背景下，数据的实时处理能力成为企业提升竞争力的一大因素。今天分享的是众安金融实时特征平台实践。
