图是一种用于对象之间的成对关系进行建模的数学结构。
它由两个主要元素组成：节点和关系。
节点：节点可以看作是传统数据库中的记录。每个节点代表一个对象或实体，例如一个人或一个地方。节点按标签分类，这有助于根据其角色对其进行分类和查询，例如“客户”或“产品”。
关系：这些是节点之间的连接，定义不同实体之间的交互或关系。例如，一个人可以通过“”关系与公司建立联系；或者通过“”关系与某个地方建立联系。
为了以类似的结构存储数据，引入了一个新的数据库系列：图形数据库。
图形数据库是一种旨在将数据之间的关系视为与数据本身同等重要的数据库。
它们经过优化，可以高效处理互连数据和复杂查询。
，它采用灵活的图形结构，除了节点和关系之外，还包括属性、标签和路径特征来表示和存储数据。
还支持向量搜索，这使其非常适合混合 场景。
这里创建 数据库有两种方式，可以本地创建数据库实例，或者选择云数据库实例。
比如 或者 ，它们都提供了免费实例。
我这里选择的是 进入 官网，注册自己的账号，新建自己的项目，出现下列界面：
点击 ，然后下载 应用程序。
这里可以看到，需要我们链接远程数据库或者本地数据库，进入我们刚刚打开的数据库控制台，找到我们的远程地址和用户名密码。
当然也可以不用本地 链接，直接就在控制台查看也可以，但是建议最好本地下载一个。
用户名和密码在下列第二个链接详情界面：
进入我们的项目 根目录，第一步安装 库，还有 中的 ，它提供了 模块，可以调用图数据进行数据增删改查：
打开 视图文件，添加一个视图：
视图里面实例化了一个 ，环境变量填好我们的 数据库的地址，账号，还有密码，还有我们的 。
这里方便大家学习，我直接使用的 的 ，这里还可以使用 的本地模型，我后面再详细讲解本地模型和图数据库的交互。
这个视图里面添加数据导入：
这里引入的是哈利波特小说的其中某一段落。
建立我们的 实例：
我这里为了节省资源，选择了 ，性能并不会差太多。
接下来的重点是提取图数据，并且存储到图数据里面：
整个存储视图创完毕，打开我们的 ，创建路由地址：
然后访问地址 ， 执行保存逻辑，我们可以看到 终端的输出：
看到 返回的创建数据库语句，说明我们的 已经保存成功。
打开我们 ，链接我们的远程数据库：
这里选择在浏览器打开：
这里的数据库信息可以看到我们创建的各个节点标签：
选择默认创建的 ：
便可以看到我们创建的 了，它会对我们刚刚的段落里，每个角色和关系被清晰的创建和连接。
我们的 能够从数据中捕获相关实体和关系，而无需我们指定任何内容。
在第一部分，我们着重讲述了 的生成过程。
而第二部分中，讲述了 的概念，我们看到基于图形方法的实际实现过程，并且和项目结合起来。
而即将到来的第三部分，将添加向量搜索功能，图检索技术，图数据库和 的结合方式，会充分展现非结构化数据检索器和图数据检索器强大的原因。
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么？
- 大模型是怎样获得「智能」的？
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例：向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示（Embeddings）
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。
到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2：手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身：基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例：如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。
如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。