前言知识图谱Knowledge GraphKG或任何图Graph都由节点Node和边Edge组成。KG 的每个节点代表一个概念每条边则表示两个概念之间的关系。在本文中我将分享一种将任意文本语料库转换为“概念图”Graph of ConceptsGC的方法。我会交替使用“概念图”GC和“知识图谱”KG这两个术语以更准确地描述我的演示内容。该方法所需的所有组件都可以在本地部署。因此我需要使用较小的开源模型我选择了强大的Mistral 7B Openorca instruct和Zephyr模型。这些模型可以使用Ollama进行本地部署。虽然Neo4j 这类专门的图数据库使存储和检索图数据变得更加便捷。不过为了简化实现我这里使用的是****内存中的 Pandas DataFrame和NetworkX Python 库。我们的目标是将任意文本语料库转换为“概念图”GC并进行可视化效果类似于下图。我们甚至可以与图交互调整节点和边的位置、放大缩小甚至改变图的物理特性使其符合我们的需求。但在开始之前我们先深入探讨一下知识图谱的基本概念以及它的必要性。如果你已经熟悉这一概念可以直接跳过下一部分。知识图谱知识图谱Knowledge Graph也称为语义网络Semantic Network表示一个由现实世界实体如对象、事件、情境或概念组成的网络并展示它们之间的关系。这些信息通常存储在图数据库中并以图结构的形式进行可视化因此被称为“知识图谱”。来看下面这段文本Mary had a little lamb,You’ve heard this tale before;But did you know she passed her plate,And had a little more!上面这段文本大致的中文翻译玛丽有一只小羊羔你以前听过这个故事但你知道吗她把盘子伸过来又吃了一点以下是一个可能的知识图谱表示该文本的方式。为什么要使用知识图谱知识图谱在多个方面都非常有用。我们可以运行图算法并计算任意节点的中心性以了解某个概念节点在整个知识体系中的重要性。我们还可以分析相连和不相连的概念集或计算概念的社区结构以深入理解特定主题。此外我们可以识别看似不相关概念之间的联系。知识图谱还可以用于构建“图检索增强生成”Graph Retrieval Augmented GenerationGraphRAG 或 GAG并与我们的文档进行对话。这种方法相比传统的 RAG检索增强生成能够提供更优质的结果因为 RAG 存在一些明显的局限性。例如单纯使用语义相似度检索来查找最相关的上下文并不总是有效尤其是在以下情况下查询未提供足够的上下文信息导致难以确定真正的意图相关上下文分散在庞大的文本语料库中难以通过简单的检索获取完整信息。例如考虑以下查询请告诉我《百年孤独》中何塞·阿尔卡迪奥·布恩迪亚的家族树。这本书记录了7 代何塞·阿尔卡迪奥·布恩迪亚的家族史其中一半的角色都叫这个名字使用简单的 RAG 方法来回答这个问题将是一个巨大挑战甚至可能根本无法完成。RAG 的另一个缺陷在于它不会告诉你应该问什么问题。然而很多时候问对问题比找到答案更重要。图增强生成Graph Augmented Generation, GAG在一定程度上可以弥补 RAG 的这些缺陷。更进一步我们可以结合两者的优点构建一个“图增强检索增强生成”Graph Augmented Retrieval Augmented Generation, GARAG流水线以获得最佳效果。总之知识图谱不仅有趣、实用而且看起来还很美观如何创建概念图如果你向 DeepSeek 询问如何从文本中构建知识图谱它可能会给出如下步骤从文本中提取概念和实体这些是节点识别概念之间的关系这些是边将节点概念和边关系存储到图数据结构或图数据库中进行可视化即使只是为了美观。第 3 和第 4 步看起来很好理解但第 1 和第 2 步该如何实现呢下面是我设计的方法流程图它用于从任意文本语料库中提取“概念图”。这个方法与上面提到的通用流程类似但有一些细微的区别。将文本语料库拆分成块。为每个块分配一个 chunk_id。对于每个文本块使用 LLM 提取概念及其语义关系。我们为该关系分配一个权重 W1。同一对概念之间可以存在多种关系。每个这样的关系都是一对概念之间的一条边。考虑到出现在同一个文本块中的概念也通过它们的上下文接近度相关。我们为该关系分配一个权重 W2。请注意同一对概念可能出现在多个块中。将相似的对分组求和它们的权重并连接它们的关系。所以现在我们在任何一对不同的概念之间都只有一条边。边具有一定的权重和一个关系列表作为其名称。你可以在本文我分享的 GitHub 仓库中看到此方法的 Python 代码实现。我将在接下来的几节中简要介绍实现的关键思想。Mistral 与 Prompt提示设计在上面的流程图中第 1 步相对简单。LangChain 提供了大量的文本分割器text splitters我们可以使用它们将文本拆分成多个小块。第 2 步才是真正有趣的部分为了提取概念及其关系我使用了Mistral 7B模型。在确定最适合我们需求的模型变体之前我尝试了以下几种版本Mistral InstructMistral OpenOrcaZephyrHugging Face 版本基于 Mistral 训练我使用了这些模型的4-bit 量化版本以便能够在本地运行它们而不会让我的Mac 彻底崩溃。这些模型都可以使用Ollama本地运行。这些模型都是经过指令微调的模型它们使用了系统提示system prompt和用户提示user prompt。只要我们清楚地告诉它们要求它们都能很好地遵循指令并将答案格式化为JSON输出清晰整洁。经过多轮试错实验后我最终选择了 Zephyr 模型并设计了以下提示词prompt。如果我们使用这个提示词处理我们的童谣文本虽然这首诗并不适合给幼儿园小朋友会得到如下输出SYS_PROMPT(You are a network graph maker who extracts terms and their relations from a given context. You are provided with a context chunk (delimited by ) Your task is to extract the ontology of terms mentioned in the given context. These terms should represent the key concepts as per the context. \nThought 1: While traversing through each sentence, Think about the key terms mentioned in it.\n\tTerms may include object, entity, location, organization, person, \n\tcondition, acronym, documents, service, concept, etc.\n\tTerms should be as atomistic as possible\n\nThought 2: Think about how these terms can have one on one relation with other terms.\n\tTerms that are mentioned in the same sentence or the same paragraph are typically related to each other.\n\tTerms can be related to many other terms\n\nThought 3: Find out the relation between each such related pair of terms. \n\nFormat your output as a list of json. Each element of the list contains a pair of terms and the relation between them, like the following: \n[\n {\n node_1: A concept from extracted ontology,\n node_2: A related concept from extracted ontology,\n edge: relationship between the two concepts, node_1 and node_2 in one or two sentences\n }, {...}\n])USER_PROMPTfcontext: {input}\n\n output: 请注意它甚至猜测“食物”是一个概念而文本块中并未明确提及这个概念。这非常强大如果我们在示例文章的每个文本块中运行此代码并将 json 转换为 Pandas DataFrame那么最终结果看起来如下所示。在这个DataFrame 中每一行都代表两个概念之间的关系。换句话说每一行都是知识图谱中两个节点node之间的一条边edge。需要注意的是同一对概念之间可能存在多条边多种关系权重weight在DataFrame 中被任意设定为4只是一个示例值。语境接近性Contextual Proximity我假设在文本语料库中相互靠近的概念是相关的我们称这种关系为语境接近性contextual proximity。为了计算这些语境接近性边我们采取以下步骤DataFrame 合并将 node_1 和 node_2 合并为同一列这样可以更方便地进行配对操作。自连接Self-Join然后我们使用 chunk_id 作为关键字对 DataFrame 进行自连接self-join。这样一来相同 chunk_id 下的所有概念都可以相互配对形成一条新的关系边。这意味着每个 chunk_id 内部的所有节点都会被两两配对生成新的关系行。移除自环Self-Loop但这种方法会引入“自环”self-loop——即概念与自身的关系比如 “Mary” - “Mary” 。为了解决这个问题我们需要删除所有 node_1 node_2 的行。这样每个概念只会与其他概念建立关系而不会连接自己。得到新的数据框最终我们得到了一个新的 DataFrame其结构与原始 DataFrame类似但现在包含了额外的语境接近性关系。这里的 count 列是 node_1 和 node_2 同时出现的块数。chunk_id 列是所有这些块的列表。所以我们现在有两个DataFrame一个具有语义关系另一个具有文本中提到的概念之间的上下文接近关系。我们可以将它们组合起来形成我们的网络图 DataFrame。我们已经为我们的文本构建了概念图。但就此止步将是一项相当不尽人意的练习。我们的目标是将图表可视化就像本文开头的特色图片一样我们离目标并不远。创建概念网络NetworkX 是一个 Python 库它使处理图表变得非常容易。只需几行代码就可以将我们的DataFrame 添加到 NetworkX 图。Gnx.Graph()## Add nodes to the graphfor node in nodes: G.add_node(str(node))## Add edges to the graphfor index, row in dfg.iterrows(): G.add_edge( str(row[node_1]), str(row[node_2]), titlerow[edge], weightrow[count] )这是我们开始利用 Network Graph 功能的地方。NetworkX 提供了大量现成的网络算法供我们使用。在这里我使用社区检测算法Community Detection Algorithm为节点添加颜色。社区Communities 是指内部连接更紧密、与图中其他部分相比关系更紧密的节点群组。概念的社区可以帮助我们识别文本中讨论的主要主题。在我们分析的这篇综述文章中 Girvan-Newman 算法检测出了17 个概念社区。以下是其中的一个社区示例[digital technology,EVIN,medical devices,online training management information systems,wearable, trackable technology]这让我们立刻对综述文章中讨论的健康技术这一广泛主题有了清晰的认识并且能够提出相应的问题然后通过RAG 流水线来解答。是不是很棒接下来我们还可以计算图中每个概念的度degree。节点的度指的是其连接的总边数。在我们的案例中度数越高的概念在文本主题中就越核心。在可视化时我们可以使用度数来决定节点的大小以突出核心概念。图可视化Graph Visualization可视化是整个过程中最有趣的部分它不仅帮助我们理解数据还能带来某种艺术上的满足感。在这里我使用Pyvis库来创建交互式图。Pyvis 是一个用于可视化网络的 Python 库。Pyvis 内置了一个NetworkX Helper可以将我们的NetworkX 图转换为PyVis 对象因此我们不需要再编写更多代码了……太棒了记住我们已经计算了每条边的权重用于确定边的粗细节点的社区用于确定颜色以及每个节点的度用于确定节点的大小。有了这些附加功能我们的图就完成了以下是最终的图示你可以访问下面提供的在线交互式演示地址来感受一下最终的成果。我们可以随意缩放、移动节点和边。页面底部还有一个滑动面板可以用来调整图的物理属性。看看这个图是如何帮助我们提出正确的问题并更好地理解主题内容的最后的最后感谢你们的阅读和喜欢作为一位在一线互联网行业奋斗多年的老兵我深知在这个瞬息万变的技术领域中持续学习和进步的重要性。为了帮助更多热爱技术、渴望成长的朋友我特别整理了一份涵盖大模型领域的宝贵资料集。这些资料不仅是我多年积累的心血结晶也是我在行业一线实战经验的总结。这些学习资料不仅深入浅出而且非常实用让大家系统而高效地掌握AI大模型的各个知识点。如果你愿意花时间沉下心来学习相信它们一定能为你提供实质性的帮助。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】大模型知识脑图为了成为更好的 AI大模型 开发者这里为大家提供了总的路线图。它的用处就在于你可以按照上面的知识点去找对应的学习资源保证自己学得较为全面。经典书籍阅读阅读AI大模型经典书籍可以帮助读者提高技术水平开拓视野掌握核心技术提高解决问题的能力同时也可以借鉴他人的经验。对于想要深入学习AI大模型开发的读者来说阅读经典书籍是非常有必要的。实战案例光学理论是没用的要学会跟着一起敲要动手实操才能将自己的所学运用到实际当中去这时候可以搞点实战案例来学习。面试资料我们学习AI大模型必然是想找到高薪的工作下面这些面试题都是总结当前最新、最热、最高频的面试题并且每道题都有详细的答案面试前刷完这套面试题资料小小offer不在话下640套AI大模型报告合集这套包含640份报告的合集涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师还是对AI大模型感兴趣的爱好者这套报告合集都将为您提供宝贵的信息和启示。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】 一种在本地使用开源大模型将文档转换为知识图谱的方法，看到就是赚到！！
前言知识图谱Knowledge GraphKG或任何图Graph都由节点Node和边Edge组成。KG 的每个节点代表一个概念每条边则表示两个概念之间的关系。在本文中我将分享一种将任意文本语料库转换为“概念图”Graph of ConceptsGC的方法。我会交替使用“概念图”GC和“知识图谱”KG这两个术语以更准确地描述我的演示内容。该方法所需的所有组件都可以在本地部署。因此我需要使用较小的开源模型我选择了强大的Mistral 7B Openorca instruct和Zephyr模型。这些模型可以使用Ollama进行本地部署。虽然Neo4j 这类专门的图数据库使存储和检索图数据变得更加便捷。不过为了简化实现我这里使用的是****内存中的 Pandas DataFrame和NetworkX Python 库。我们的目标是将任意文本语料库转换为“概念图”GC并进行可视化效果类似于下图。我们甚至可以与图交互调整节点和边的位置、放大缩小甚至改变图的物理特性使其符合我们的需求。但在开始之前我们先深入探讨一下知识图谱的基本概念以及它的必要性。如果你已经熟悉这一概念可以直接跳过下一部分。知识图谱知识图谱Knowledge Graph也称为语义网络Semantic Network表示一个由现实世界实体如对象、事件、情境或概念组成的网络并展示它们之间的关系。这些信息通常存储在图数据库中并以图结构的形式进行可视化因此被称为“知识图谱”。来看下面这段文本Mary had a little lamb,You’ve heard this tale before;But did you know she passed her plate,And had a little more!上面这段文本大致的中文翻译玛丽有一只小羊羔你以前听过这个故事但你知道吗她把盘子伸过来又吃了一点以下是一个可能的知识图谱表示该文本的方式。为什么要使用知识图谱知识图谱在多个方面都非常有用。我们可以运行图算法并计算任意节点的中心性以了解某个概念节点在整个知识体系中的重要性。我们还可以分析相连和不相连的概念集或计算概念的社区结构以深入理解特定主题。此外我们可以识别看似不相关概念之间的联系。知识图谱还可以用于构建“图检索增强生成”Graph Retrieval Augmented GenerationGraphRAG 或 GAG并与我们的文档进行对话。这种方法相比传统的 RAG检索增强生成能够提供更优质的结果因为 RAG 存在一些明显的局限性。例如单纯使用语义相似度检索来查找最相关的上下文并不总是有效尤其是在以下情况下查询未提供足够的上下文信息导致难以确定真正的意图相关上下文分散在庞大的文本语料库中难以通过简单的检索获取完整信息。例如考虑以下查询请告诉我《百年孤独》中何塞·阿尔卡迪奥·布恩迪亚的家族树。这本书记录了7 代何塞·阿尔卡迪奥·布恩迪亚的家族史其中一半的角色都叫这个名字使用简单的 RAG 方法来回答这个问题将是一个巨大挑战甚至可能根本无法完成。RAG 的另一个缺陷在于它不会告诉你应该问什么问题。然而很多时候问对问题比找到答案更重要。图增强生成Graph Augmented Generation, GAG在一定程度上可以弥补 RAG 的这些缺陷。更进一步我们可以结合两者的优点构建一个“图增强检索增强生成”Graph Augmented Retrieval Augmented Generation, GARAG流水线以获得最佳效果。总之知识图谱不仅有趣、实用而且看起来还很美观如何创建概念图如果你向 DeepSeek 询问如何从文本中构建知识图谱它可能会给出如下步骤从文本中提取概念和实体这些是节点识别概念之间的关系这些是边将节点概念和边关系存储到图数据结构或图数据库中进行可视化即使只是为了美观。第 3 和第 4 步看起来很好理解但第 1 和第 2 步该如何实现呢下面是我设计的方法流程图它用于从任意文本语料库中提取“概念图”。这个方法与上面提到的通用流程类似但有一些细微的区别。将文本语料库拆分成块。为每个块分配一个 chunk_id。对于每个文本块使用 LLM 提取概念及其语义关系。我们为该关系分配一个权重 W1。同一对概念之间可以存在多种关系。每个这样的关系都是一对概念之间的一条边。考虑到出现在同一个文本块中的概念也通过它们的上下文接近度相关。我们为该关系分配一个权重 W2。请注意同一对概念可能出现在多个块中。将相似的对分组求和它们的权重并连接它们的关系。所以现在我们在任何一对不同的概念之间都只有一条边。边具有一定的权重和一个关系列表作为其名称。你可以在本文我分享的 GitHub 仓库中看到此方法的 Python 代码实现。我将在接下来的几节中简要介绍实现的关键思想。Mistral 与 Prompt提示设计在上面的流程图中第 1 步相对简单。LangChain 提供了大量的文本分割器text splitters我们可以使用它们将文本拆分成多个小块。第 2 步才是真正有趣的部分为了提取概念及其关系我使用了Mistral 7B模型。在确定最适合我们需求的模型变体之前我尝试了以下几种版本Mistral InstructMistral OpenOrcaZephyrHugging Face 版本基于 Mistral 训练我使用了这些模型的4-bit 量化版本以便能够在本地运行它们而不会让我的Mac 彻底崩溃。这些模型都可以使用Ollama本地运行。这些模型都是经过指令微调的模型它们使用了系统提示system prompt和用户提示user prompt。只要我们清楚地告诉它们要求它们都能很好地遵循指令并将答案格式化为JSON输出清晰整洁。经过多轮试错实验后我最终选择了 Zephyr 模型并设计了以下提示词prompt。如果我们使用这个提示词处理我们的童谣文本虽然这首诗并不适合给幼儿园小朋友会得到如下输出SYS_PROMPT(You are a network graph maker who extracts terms and their relations from a given context. You are provided with a context chunk (delimited by ) Your task is to extract the ontology of terms mentioned in the given context. These terms should represent the key concepts as per the context. \nThought 1: While traversing through each sentence, Think about the key terms mentioned in it.\n\tTerms may include object, entity, location, organization, person, \n\tcondition, acronym, documents, service, concept, etc.\n\tTerms should be as atomistic as possible\n\nThought 2: Think about how these terms can have one on one relation with other terms.\n\tTerms that are mentioned in the same sentence or the same paragraph are typically related to each other.\n\tTerms can be related to many other terms\n\nThought 3: Find out the relation between each such related pair of terms. \n\nFormat your output as a list of json. Each element of the list contains a pair of terms and the relation between them, like the following: \n[\n {\n node_1: A concept from extracted ontology,\n node_2: A related concept from extracted ontology,\n edge: relationship between the two concepts, node_1 and node_2 in one or two sentences\n }, {...}\n])USER_PROMPTfcontext: {input}\n\n output: 请注意它甚至猜测“食物”是一个概念而文本块中并未明确提及这个概念。这非常强大如果我们在示例文章的每个文本块中运行此代码并将 json 转换为 Pandas DataFrame那么最终结果看起来如下所示。在这个DataFrame 中每一行都代表两个概念之间的关系。换句话说每一行都是知识图谱中两个节点node之间的一条边edge。需要注意的是同一对概念之间可能存在多条边多种关系权重weight在DataFrame 中被任意设定为4只是一个示例值。语境接近性Contextual Proximity我假设在文本语料库中相互靠近的概念是相关的我们称这种关系为语境接近性contextual proximity。为了计算这些语境接近性边我们采取以下步骤DataFrame 合并将 node_1 和 node_2 合并为同一列这样可以更方便地进行配对操作。自连接Self-Join然后我们使用 chunk_id 作为关键字对 DataFrame 进行自连接self-join。这样一来相同 chunk_id 下的所有概念都可以相互配对形成一条新的关系边。这意味着每个 chunk_id 内部的所有节点都会被两两配对生成新的关系行。移除自环Self-Loop但这种方法会引入“自环”self-loop——即概念与自身的关系比如 “Mary” - “Mary” 。为了解决这个问题我们需要删除所有 node_1 node_2 的行。这样每个概念只会与其他概念建立关系而不会连接自己。得到新的数据框最终我们得到了一个新的 DataFrame其结构与原始 DataFrame类似但现在包含了额外的语境接近性关系。这里的 count 列是 node_1 和 node_2 同时出现的块数。chunk_id 列是所有这些块的列表。所以我们现在有两个DataFrame一个具有语义关系另一个具有文本中提到的概念之间的上下文接近关系。我们可以将它们组合起来形成我们的网络图 DataFrame。我们已经为我们的文本构建了概念图。但就此止步将是一项相当不尽人意的练习。我们的目标是将图表可视化就像本文开头的特色图片一样我们离目标并不远。创建概念网络NetworkX 是一个 Python 库它使处理图表变得非常容易。只需几行代码就可以将我们的DataFrame 添加到 NetworkX 图。Gnx.Graph()## Add nodes to the graphfor node in nodes: G.add_node(str(node))## Add edges to the graphfor index, row in dfg.iterrows(): G.add_edge( str(row[node_1]), str(row[node_2]), titlerow[edge], weightrow[count] )这是我们开始利用 Network Graph 功能的地方。NetworkX 提供了大量现成的网络算法供我们使用。在这里我使用社区检测算法Community Detection Algorithm为节点添加颜色。社区Communities 是指内部连接更紧密、与图中其他部分相比关系更紧密的节点群组。概念的社区可以帮助我们识别文本中讨论的主要主题。在我们分析的这篇综述文章中 Girvan-Newman 算法检测出了17 个概念社区。以下是其中的一个社区示例[digital technology,EVIN,medical devices,online training management information systems,wearable, trackable technology]这让我们立刻对综述文章中讨论的健康技术这一广泛主题有了清晰的认识并且能够提出相应的问题然后通过RAG 流水线来解答。是不是很棒接下来我们还可以计算图中每个概念的度degree。节点的度指的是其连接的总边数。在我们的案例中度数越高的概念在文本主题中就越核心。在可视化时我们可以使用度数来决定节点的大小以突出核心概念。图可视化Graph Visualization可视化是整个过程中最有趣的部分它不仅帮助我们理解数据还能带来某种艺术上的满足感。在这里我使用Pyvis库来创建交互式图。Pyvis 是一个用于可视化网络的 Python 库。Pyvis 内置了一个NetworkX Helper可以将我们的NetworkX 图转换为PyVis 对象因此我们不需要再编写更多代码了……太棒了记住我们已经计算了每条边的权重用于确定边的粗细节点的社区用于确定颜色以及每个节点的度用于确定节点的大小。有了这些附加功能我们的图就完成了以下是最终的图示你可以访问下面提供的在线交互式演示地址来感受一下最终的成果。我们可以随意缩放、移动节点和边。页面底部还有一个滑动面板可以用来调整图的物理属性。看看这个图是如何帮助我们提出正确的问题并更好地理解主题内容的最后的最后感谢你们的阅读和喜欢作为一位在一线互联网行业奋斗多年的老兵我深知在这个瞬息万变的技术领域中持续学习和进步的重要性。为了帮助更多热爱技术、渴望成长的朋友我特别整理了一份涵盖大模型领域的宝贵资料集。这些资料不仅是我多年积累的心血结晶也是我在行业一线实战经验的总结。这些学习资料不仅深入浅出而且非常实用让大家系统而高效地掌握AI大模型的各个知识点。如果你愿意花时间沉下心来学习相信它们一定能为你提供实质性的帮助。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】大模型知识脑图为了成为更好的 AI大模型 开发者这里为大家提供了总的路线图。它的用处就在于你可以按照上面的知识点去找对应的学习资源保证自己学得较为全面。经典书籍阅读阅读AI大模型经典书籍可以帮助读者提高技术水平开拓视野掌握核心技术提高解决问题的能力同时也可以借鉴他人的经验。对于想要深入学习AI大模型开发的读者来说阅读经典书籍是非常有必要的。实战案例光学理论是没用的要学会跟着一起敲要动手实操才能将自己的所学运用到实际当中去这时候可以搞点实战案例来学习。面试资料我们学习AI大模型必然是想找到高薪的工作下面这些面试题都是总结当前最新、最热、最高频的面试题并且每道题都有详细的答案面试前刷完这套面试题资料小小offer不在话下640套AI大模型报告合集这套包含640份报告的合集涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师还是对AI大模型感兴趣的爱好者这套报告合集都将为您提供宝贵的信息和启示。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】