引言：知識(shí)圖譜與大語(yǔ)言模型的融合挑戰(zhàn)

隨著人工智能技術(shù)的快速發(fā)展，大型語(yǔ)言模型（LLMs）已經(jīng)在自然語(yǔ)言處理領(lǐng)域展現(xiàn)出驚人的能力。基于Transformer架構(gòu)的LLMs在開(kāi)放域問(wèn)答、文本摘要和內(nèi)容生成等任務(wù)中表現(xiàn)出色，并在醫(yī)療、金融、法律和科學(xué)等多個(gè)領(lǐng)域得到廣泛應(yīng)用。然而，這些模型也面臨著一些固有的局限性：它們?nèi)菀桩a(chǎn)生自信但錯(cuò)誤的輸出（幻覺(jué)現(xiàn)象），并且缺乏在不重新訓(xùn)練的情況下更新或擴(kuò)展知識(shí)的有效機(jī)制。

檢索增強(qiáng)生成（RAG）技術(shù)的出現(xiàn)為解決這些問(wèn)題提供了一種標(biāo)準(zhǔn)方法。在典型的RAG流程中，密集檢索器會(huì)為給定查詢選擇相關(guān)的文本上下文，然后將檢索到的內(nèi)容附加到查詢中，再由LLM進(jìn)行處理。這種設(shè)計(jì)提高了輸出的事實(shí)準(zhǔn)確性，并允許模型參考外部信息源。然而，標(biāo)準(zhǔn)RAG系統(tǒng)在處理涉及多步推理或需要結(jié)構(gòu)化訪問(wèn)關(guān)系知識(shí)的問(wèn)題時(shí)往往力不從心，僅依靠密集或稀疏文檔檢索是不夠的。

為了應(yīng)對(duì)這些挑戰(zhàn)，將知識(shí)圖譜（KGs）集成到RAG工作流中的混合方法受到了越來(lái)越多的關(guān)注。這些系統(tǒng)（有時(shí)被稱為GraphRAG）使用圖結(jié)構(gòu)來(lái)表示關(guān)系結(jié)構(gòu)，并支持基于符號(hào)查詢或多跳圖遍歷的檢索。基于圖的檢索為L(zhǎng)LM提供了對(duì)明確、結(jié)構(gòu)化上下文的訪問(wèn)，在需要深層次推理的任務(wù)中展現(xiàn)出巨大潛力。

然而，無(wú)論是傳統(tǒng)RAG系統(tǒng)還是基于圖的RAG系統(tǒng)，都面臨著超參數(shù)敏感性的挑戰(zhàn)。這些系統(tǒng)的性能嚴(yán)重依賴于一系列配置選擇，包括文本塊大小、檢索器類型、top-k閾值和提示模板等。隨著系統(tǒng)變得更加模塊化和復(fù)雜，可調(diào)參數(shù)的數(shù)量增加，它們之間的相互作用也變得更加復(fù)雜。雖然超參數(shù)優(yōu)化在標(biāo)準(zhǔn)RAG系統(tǒng)中已有探索，但在圖增強(qiáng)系統(tǒng)中的作用仍未被充分研究。

本文旨在填補(bǔ)這一研究空白，通過(guò)對(duì)基于圖的RAG系統(tǒng)進(jìn)行結(jié)構(gòu)化的超參數(shù)優(yōu)化研究，重點(diǎn)關(guān)注結(jié)合非結(jié)構(gòu)化輸入、知識(shí)圖譜構(gòu)建、檢索和生成的任務(wù)。我們的實(shí)驗(yàn)基于Cognee框架，這是一個(gè)支持端到端圖構(gòu)建和檢索的開(kāi)源模塊化系統(tǒng)。Cognee的模塊化設(shè)計(jì)允許管道組件的清晰分離和獨(dú)立配置，使其非常適合進(jìn)行受控的優(yōu)化研究。

相關(guān)工作

RAG系統(tǒng)的進(jìn)展與挑戰(zhàn)

檢索增強(qiáng)生成（RAG）系統(tǒng)通過(guò)檢索模塊擴(kuò)展語(yǔ)言模型，使輸出能夠基于外部知識(shí)。這種基本的兩階段架構(gòu)已成為事實(shí)標(biāo)準(zhǔn)，并隨著時(shí)間推移提出了許多改進(jìn)。近期工作包括Self-RAG，它使LLMs能夠反思自己的輸出并動(dòng)態(tài)觸發(fā)檢索；以及CRAG，它使用檢索評(píng)估器過(guò)濾低置信度文檔，并在需要時(shí)升級(jí)到網(wǎng)絡(luò)搜索。

多跳問(wèn)答

多跳問(wèn)答擴(kuò)展了標(biāo)準(zhǔn)問(wèn)答，需要對(duì)多個(gè)文檔進(jìn)行推理。早期數(shù)據(jù)集如HotPotQA通過(guò)眾包方式在維基百科上創(chuàng)建此類問(wèn)題。2WikiMultiHopQA通過(guò)利用Wikidata關(guān)系來(lái)強(qiáng)制執(zhí)行結(jié)構(gòu)化、可驗(yàn)證的推理路徑，對(duì)此進(jìn)行了改進(jìn)。MuSiQue采用自下而上的方法，從單跳原語(yǔ)組合多步問(wèn)題并過(guò)濾掉虛假捷徑，為組合推理提供更強(qiáng)大的基準(zhǔn)。

知識(shí)圖譜問(wèn)答

知識(shí)圖譜問(wèn)答（KGQA）系統(tǒng)通過(guò)圖上的結(jié)構(gòu)化推理回答問(wèn)題，越來(lái)越多地集成LLMs以橋接符號(hào)和神經(jīng)推理。RoG提示LLMs生成抽象關(guān)系路徑，這些路徑在最終答案生成之前通過(guò)圖遍歷進(jìn)行實(shí)例化。其他工作包括可訓(xùn)練的子圖檢索器和子圖上的分解邏輯推理鏈，在可解釋性和性能方面都展示了可測(cè)量的提升。

GraphRAG

GraphRAG將RAG泛化到任意圖結(jié)構(gòu)，擴(kuò)展其用途超出知識(shí)庫(kù)。早期系統(tǒng)如微軟的摘要管道使用LLMs構(gòu)建知識(shí)圖譜，使用社區(qū)檢測(cè)對(duì)其進(jìn)行分區(qū)，并總結(jié)每個(gè)組件。其他變體使用GNNs與子圖選擇、圖遍歷代理或無(wú)模式圖上的個(gè)性化PageRank。這些系統(tǒng)涵蓋廣泛的任務(wù)，但共享一個(gè)共同結(jié)構(gòu)：動(dòng)態(tài)子圖構(gòu)建，然后是基于提示的推理。

RAG中的超參數(shù)優(yōu)化

優(yōu)化RAG系統(tǒng)需要平衡檢索覆蓋率、生成準(zhǔn)確性和資源約束。近期工作在預(yù)算限制下應(yīng)用貝葉斯優(yōu)化，將上下文使用作為可調(diào)變量，并通過(guò)強(qiáng)化學(xué)習(xí)引入全管道調(diào)優(yōu)。多目標(biāo)框架也已出現(xiàn)，以權(quán)衡準(zhǔn)確性、延遲和安全性。雖然方法各異，但都旨在暴露和控制現(xiàn)代RAG管道中的關(guān)鍵自由度。

Cognee：自動(dòng)化知識(shí)圖譜構(gòu)建框架

Cognee是一個(gè)開(kāi)源框架，用于端到端知識(shí)圖譜（KG）構(gòu)建、檢索和補(bǔ)全。它支持異構(gòu)輸入（如文本、圖像、音頻），從中提取實(shí)體和關(guān)系，可能借助本體模式。提取過(guò)程在容器化環(huán)境中運(yùn)行，基于任務(wù)和管道，每個(gè)階段都可通過(guò)配置或代碼擴(kuò)展。

默認(rèn)管道包括攝取、分塊、基于大型語(yǔ)言模型（LLM）的提取，以及索引到圖、關(guān)系和向量存儲(chǔ)后端。在索引之后，Cognee提供內(nèi)置組件用于檢索和補(bǔ)全。統(tǒng)一接口支持向量搜索、符號(hào)圖查詢和混合圖-文本方法。補(bǔ)全建立在相同的基礎(chǔ)設(shè)施上，支持基于提示的LLM交互和結(jié)構(gòu)化圖查詢。

Cognee還包括一個(gè)可配置的評(píng)估框架，用于基準(zhǔn)測(cè)試檢索和補(bǔ)全工作流。該框架基于多跳問(wèn)答，使用成熟的基準(zhǔn)（HotPotQA、TwoWikiMultiHop）為基于圖的系統(tǒng)提供結(jié)構(gòu)化評(píng)估環(huán)境。評(píng)估按順序進(jìn)行不同階段：從語(yǔ)料庫(kù)構(gòu)建開(kāi)始，然后是利用檢索和補(bǔ)全組件的上下文條件回答。然后將答案與黃金參考進(jìn)行比較，并使用多種指標(biāo)進(jìn)行評(píng)分。最終輸出包括置信度評(píng)分的性能報(bào)告。

Cognee的模塊化使得能夠在攝取、檢索和補(bǔ)全階段進(jìn)行有針對(duì)性的超參數(shù)調(diào)整。評(píng)估框架提供結(jié)構(gòu)化、量化的反饋，使整個(gè)系統(tǒng)可以被視為一個(gè)目標(biāo)函數(shù)。這種設(shè)置使得可以直接應(yīng)用標(biāo)準(zhǔn)超參數(shù)優(yōu)化算法。

超參數(shù)優(yōu)化設(shè)置

優(yōu)化框架

Cognee暴露多個(gè)可配置組件，這些組件影響檢索和生成行為，包括與預(yù)處理、檢索器選擇、提示設(shè)計(jì)和運(yùn)行時(shí)設(shè)置相關(guān)的參數(shù)。為了系統(tǒng)地評(píng)估這些設(shè)計(jì)選擇的影響，我們開(kāi)發(fā)了一個(gè)名為Dreamify的超參數(shù)優(yōu)化框架。

Dreamify將整個(gè)Cognee管道視為一個(gè)參數(shù)化過(guò)程，包括攝取、分塊、基于LLM的提取、檢索和評(píng)估。單個(gè)配置定義所有階段的行為。每次試驗(yàn)對(duì)應(yīng)一個(gè)完整的管道運(yùn)行，從語(yǔ)料庫(kù)構(gòu)建開(kāi)始，以對(duì)基準(zhǔn)數(shù)據(jù)集的評(píng)估結(jié)束。輸出是基于多種指標(biāo)（如F1、精確匹配或基于LLM的正確性）的標(biāo)量分?jǐn)?shù)。這些指標(biāo)計(jì)算為數(shù)據(jù)集中所有問(wèn)題的平均值，返回0到1之間的值。

優(yōu)化使用樹(shù)結(jié)構(gòu)Parzen估計(jì)器（TPE）執(zhí)行。該算法非常適合搜索空間，該空間結(jié)合了分類和有序整數(shù)值參數(shù)。在這種規(guī)模下，網(wǎng)格搜索不切實(shí)際，隨機(jī)搜索在早期測(cè)試中表現(xiàn)不佳。雖然TPE對(duì)我們的實(shí)驗(yàn)足夠，但其他優(yōu)化策略仍有待未來(lái)工作探索。

管道行為對(duì)固定配置是確定性的，盡管某些組件（如LLM生成的圖構(gòu)建）在運(yùn)行之間表現(xiàn)出微小變化。這些差異不會(huì)實(shí)質(zhì)性影響單個(gè)配置內(nèi)的整體評(píng)估分?jǐn)?shù)。試驗(yàn)是獨(dú)立且可重現(xiàn)的。

可調(diào)參數(shù)

優(yōu)化過(guò)程考慮六個(gè)核心參數(shù)，這些參數(shù)影響文檔處理、檢索行為、提示選擇和圖構(gòu)建。每個(gè)參數(shù)影響信息如何被分段、檢索或在答案生成期間使用。

塊大?。╟hunk_size）

此參數(shù)控制在圖提取前用于分段文檔的標(biāo)記數(shù)量。在Cognee管道中，它影響生成圖的結(jié)構(gòu)和檢索期間可用上下文的粒度。本研究中使用的范圍（200-2000個(gè)標(biāo)記）基于初步測(cè)試選擇，以平衡提取準(zhǔn)確性、檢索特異性和處理時(shí)間。

檢索策略（search_type）

此參數(shù)確定如何選擇用于答案生成的上下文。cognee_completion策略使用向量搜索檢索文本塊，并直接將它們傳遞給語(yǔ)言模型。cognee_graph_completion策略通過(guò)結(jié)合向量相似性和圖結(jié)構(gòu)檢索知識(shí)圖譜節(jié)點(diǎn)及其關(guān)聯(lián)的三元組。檢索到的節(jié)點(diǎn)被簡(jiǎn)要描述，周圍的三元組被格式化為結(jié)構(gòu)化文本。檢索到的節(jié)點(diǎn)和三元組的結(jié)構(gòu)化格式強(qiáng)調(diào)關(guān)系上下文，可能支持更有效的多跳推理。

Top-K上下文大小（top_k）

此參數(shù)設(shè)置每個(gè)查詢檢索的項(xiàng)目數(shù)量。使用cognee_completion時(shí)，它控制文本塊的數(shù)量；使用cognee_graph_completion時(shí)，它控制圖三元組的數(shù)量。檢索到的上下文傳遞給語(yǔ)言模型進(jìn)行答案生成。在我們的實(shí)驗(yàn)中，值范圍從1到20。

問(wèn)答提示模板（qa_system_prompt）

此參數(shù)選擇用于答案生成的指令模板。模板在風(fēng)格和特異性上有所不同，從簡(jiǎn)潔提示到更詳細(xì)的指令，鼓勵(lì)證明或結(jié)構(gòu)化輸出。提示選擇可以影響答案格式和事實(shí)精確性。

提示模板（qa_system_prompt，graph_prompt）

這些參數(shù)控制在答案生成和圖構(gòu)建期間使用的指令模板。對(duì)于問(wèn)答，我們?cè)u(píng)估了三種提示變體，主要在語(yǔ)氣和冗長(zhǎng)度上有所不同。雖然基本指令保持一致，但更受約束和直接的提示通常產(chǎn)生與預(yù)期答案格式更緊密對(duì)齊的輸出。這對(duì)評(píng)估分?jǐn)?shù)有顯著影響，特別是對(duì)精確匹配和F1，盡管正確性分?jǐn)?shù)也在較小程度上受到影響。對(duì)于圖構(gòu)建，也測(cè)試了三種提示，它們?cè)谝龑?dǎo)LLM從文本中提取實(shí)體和關(guān)系的方式上有所不同——要么一步完成，要么通過(guò)更結(jié)構(gòu)化、漸進(jìn)的指令。這種選擇影響了檢索期間使用的生成圖結(jié)構(gòu)的粒度和一致性。

任務(wù)處理方法（task_getter_type）

此參數(shù)控制在評(píng)估期間如何預(yù)處理問(wèn)答對(duì)。雖然系統(tǒng)可以支持任意管道變體，但我們專注于兩種代表性配置。在第一種配置中，文檔摘要在圖構(gòu)建期間生成，并可供檢索器使用。在第二種配置中，省略摘要生成。

實(shí)驗(yàn)設(shè)置

我們進(jìn)行了一系列九個(gè)超參數(shù)優(yōu)化實(shí)驗(yàn)，以評(píng)估配置選擇對(duì)Cognee端到端性能的影響。每個(gè)實(shí)驗(yàn)對(duì)應(yīng)一個(gè)不同的基準(zhǔn)數(shù)據(jù)集和評(píng)估指標(biāo)組合。使用的數(shù)據(jù)集為HotPotQA、TwoWikiMultiHop和Musique。每個(gè)實(shí)驗(yàn)針對(duì)三種指標(biāo)之一：精確匹配（EM）、F1或DeepEval的基于LLM的正確性。

對(duì)于每個(gè)實(shí)驗(yàn)，我們創(chuàng)建了基準(zhǔn)的過(guò)濾子集。實(shí)例被隨機(jī)抽樣，然后在實(shí)驗(yàn)前進(jìn)行手動(dòng)審查。我們排除了不符合語(yǔ)法、模糊、標(biāo)簽錯(cuò)誤或由提供的上下文不支持的示例。類似問(wèn)題在先前文獻(xiàn)中已有注意。結(jié)果評(píng)估集由每個(gè)數(shù)據(jù)集24個(gè)訓(xùn)練實(shí)例和12個(gè)測(cè)試實(shí)例組成。這一過(guò)濾步驟在任何調(diào)整之前進(jìn)行一次，以避免偏見(jiàn)或挑選。

在每次試驗(yàn)中，使用訓(xùn)練集中的所有上下文段落構(gòu)建知識(shí)圖譜。這為每次試驗(yàn)生成單個(gè)合并圖，然后用于回答所有訓(xùn)練問(wèn)題。管道結(jié)構(gòu)在所有數(shù)據(jù)集和指標(biāo)中保持一致。

每個(gè)實(shí)驗(yàn)包括50次試驗(yàn)。在每次試驗(yàn)中，優(yōu)化器抽樣一個(gè)配置并執(zhí)行完整的管道運(yùn)行，包括攝取、圖構(gòu)建、檢索和答案生成。所選指標(biāo)在所有訓(xùn)練問(wèn)題上計(jì)算，結(jié)果分?jǐn)?shù)用作試驗(yàn)的目標(biāo)值。EM和F1分?jǐn)?shù)確定性計(jì)算。DeepEval正確性分?jǐn)?shù)需要單獨(dú)的基于LLM的評(píng)估步驟。

試驗(yàn)按順序運(yùn)行，不并行化。每次試驗(yàn)的執(zhí)行時(shí)間約為30分鐘。最終結(jié)果報(bào)告使用從訓(xùn)練中選擇的最佳性能配置在測(cè)試集上的性能。除了點(diǎn)估計(jì)外，我們還報(bào)告使用對(duì)單個(gè)問(wèn)答對(duì)的非參數(shù)bootstrap重采樣計(jì)算的置信區(qū)間。

結(jié)果與討論

訓(xùn)練集性能

(a) Musique

(b) TwoWikiMultiHop

(c) HotPotQA

圖1：Musique、TwoWikiMultiHop和HotPotQA的運(yùn)行最大性能曲線。

優(yōu)化導(dǎo)致所有數(shù)據(jù)集和指標(biāo)的一致改進(jìn)。雖然基線設(shè)置是合理且手動(dòng)選擇的，但它們沒(méi)有針對(duì)特定評(píng)估條件進(jìn)行調(diào)整。相對(duì)改進(jìn)通常是顯著的，特別是對(duì)于精確匹配，其中幾個(gè)基線接近或恰好為零。這主要是由于答案風(fēng)格的不匹配：系統(tǒng)的默認(rèn)配置調(diào)整為更具對(duì)話性的輸出，而基準(zhǔn)更傾向于更短、更干的答案。鑒于EM作為指標(biāo)的嚴(yán)格性，即使事實(shí)正確的響應(yīng)也經(jīng)常被懲罰。

盡管表現(xiàn)出明顯的改進(jìn)，但這些結(jié)果應(yīng)謹(jǐn)慎解釋。

保留集性能

為了評(píng)估泛化能力，我們?cè)诒Ａ魷y(cè)試集上評(píng)估了每個(gè)實(shí)驗(yàn)的最佳配置。與基線相比的收益仍然可見(jiàn)，但比訓(xùn)練中不那么明顯。大多數(shù)指標(biāo)適度下降，在一種情況下（TwoWikiMultiHop上的F1），測(cè)試性能略微超過(guò)了訓(xùn)練分?jǐn)?shù)。這些結(jié)果表明，任務(wù)特定優(yōu)化合理地泛化，即使應(yīng)用于來(lái)自同一基準(zhǔn)的未見(jiàn)示例。

一些變異性可能歸因于保留集的小規(guī)模和基準(zhǔn)問(wèn)答實(shí)例的不均勻質(zhì)量，這是文獻(xiàn)中注意到的限制。我們使用簡(jiǎn)單的訓(xùn)練設(shè)置，沒(méi)有早?；蛘齽t化，這也可能解釋部分觀察到的退化。然而，在大多數(shù)情況下改進(jìn)持續(xù)存在的事實(shí)表明，即使基本的優(yōu)化過(guò)程也能產(chǎn)生可泛化的收益。雖然這不是本研究的主要焦點(diǎn)，但這些結(jié)果表明，未來(lái)的工作可以探索更強(qiáng)大的調(diào)整機(jī)制，特別是在更大或特定領(lǐng)域的數(shù)據(jù)集上。

討論

優(yōu)化過(guò)程使用樹(shù)結(jié)構(gòu)Parzen估計(jì)器（TPE），選擇它是因?yàn)槠淠軌驅(qū)Ш诫x散和混合參數(shù)空間。TPE在識(shí)別改進(jìn)的配置方面是有效的，盡管試驗(yàn)級(jí)別的性能有時(shí)是不穩(wěn)定的。更穩(wěn)定或表達(dá)能力更強(qiáng)的優(yōu)化策略可能會(huì)產(chǎn)生更一致的結(jié)果，探索這些替代方案仍然是未來(lái)工作的方向。

實(shí)驗(yàn)也強(qiáng)調(diào)了標(biāo)準(zhǔn)評(píng)估指標(biāo)的局限性。精確匹配和F1經(jīng)常懲罰語(yǔ)義上正確但措辭與參考不同的輸出。相比之下，基于LLM的正確性分?jǐn)?shù)對(duì)詞匯變化更寬容，但引入了自己的不一致性。幾個(gè)幾乎逐字的答案獲得了不到滿分的分?jǐn)?shù)，表明LLM評(píng)分者引入了噪聲，特別是圍繞格式敏感性和隱含假設(shè)。

高性能配置通常共享參數(shù)設(shè)置，特別是塊大小和檢索方法。然而，大多數(shù)效果是非線性和任務(wù)特定的，沒(méi)有單一配置在所有基準(zhǔn)上表現(xiàn)最佳。這突顯了在檢索增強(qiáng)管道中經(jīng)驗(yàn)調(diào)整的重要性，并表明跨任務(wù)泛化需要適應(yīng)，而不僅僅是重用。

雖然完全泛化超出了本研究的范圍，但結(jié)果支持系統(tǒng)調(diào)整在實(shí)踐中既可實(shí)現(xiàn)又有用的主張。觀察到的收益，雖然在某些情況下很小，但表明僅配置級(jí)別的變化就能影響下游性能。檢索增強(qiáng)系統(tǒng)受益于有針對(duì)性、任務(wù)感知的調(diào)整，性能-過(guò)擬合權(quán)衡可以在不顯著改變架構(gòu)或增加復(fù)雜性的情況下管理。

結(jié)論

我們證明，在基于圖的檢索增強(qiáng)生成系統(tǒng)中系統(tǒng)化的超參數(shù)調(diào)整可以導(dǎo)致一致的性能改進(jìn)。Cognee的模塊化架構(gòu)使我們能夠在圖構(gòu)建、檢索和提示中隔離和改變配置參數(shù)。應(yīng)用于三個(gè)多跳問(wèn)答基準(zhǔn)，這種設(shè)置使我們能夠檢查調(diào)整如何影響標(biāo)準(zhǔn)評(píng)估指標(biāo)。雖然在各任務(wù)中觀察到改進(jìn)，但其幅度各異，收益通常對(duì)指標(biāo)和數(shù)據(jù)集都敏感。

展望未來(lái)，有幾個(gè)自然的進(jìn)一步工作方向。技術(shù)上，優(yōu)化過(guò)程可以使用替代搜索算法、更廣泛的參數(shù)空間或多目標(biāo)標(biāo)準(zhǔn)進(jìn)行擴(kuò)展。我們的評(píng)估專注于知名的問(wèn)答數(shù)據(jù)集，但自定義基準(zhǔn)和特定領(lǐng)域任務(wù)將有助于探索泛化能力。圖增強(qiáng)RAG系統(tǒng)的排行榜或共享基準(zhǔn)基礎(chǔ)設(shè)施也可以支持這一領(lǐng)域的進(jìn)展。

雖然基于問(wèn)答的指標(biāo)提供了評(píng)估管道性能的實(shí)用手段，但它們并不能完全捕捉基于圖的系統(tǒng)的復(fù)雜性。不同配置之間結(jié)果的變異性表明，收益不太可能僅來(lái)自通用調(diào)整。相反，我們的結(jié)果指向任務(wù)特定優(yōu)化策略的潛力，特別是在領(lǐng)域結(jié)構(gòu)發(fā)揮核心作用的環(huán)境中。我們預(yù)計(jì)，未來(lái)在學(xué)術(shù)和應(yīng)用背景交叉點(diǎn)的工作將發(fā)現(xiàn)更多有針對(duì)性調(diào)整的機(jī)會(huì)。

更廣泛地說(shuō)，我們認(rèn)為通過(guò)認(rèn)知化的鏡頭查看這一過(guò)程是有用的，認(rèn)知化是一個(gè)描述智能如何嵌入物理系統(tǒng)的概念。我們將Cognee等框架的發(fā)展視為向反映這一范式的系統(tǒng)轉(zhuǎn)變的更廣泛轉(zhuǎn)變的一部分，它們的優(yōu)化同樣發(fā)揮著重要作用。這些系統(tǒng)的認(rèn)知化不會(huì)僅通過(guò)設(shè)計(jì)發(fā)生，而是通過(guò)它們?nèi)绾坞S時(shí)間調(diào)整、測(cè)量和適應(yīng)。

參考資料

論文鏈接：https://arxiv.org/abs/2505.24478

本文轉(zhuǎn)載自????頓數(shù)AI??，作者：小頓