知识图谱（Knowledge Graph）本质上是一种结构化的语义知识库，它以 “实体 - 关系 - 实体” 的三元组形式，将现实世界中的概念、实体及其关联关系进行建模和存储，核心目标是让机器能够像人一样理解和运用知识。下图就是一个典型的知识图谱： 知识图谱的主要特点是建立了“知识”之间的关联，所以它的强项是 推理 ，HugeGraph 、NetworkX 支持 PageRank（在后面RAG中会用到）、k-短路、LPA（标签传播算法）、Jaccard 相似度 等算法。有了这些支持，它在 搜索引擎 、智能问答RAG（Retrieval Augmented Generation,检索增强生成） 等领域都有广泛的应用，可以明显提升这些领域应用的智能化水平。 ...

FAISS（Facebook AI Similarity Search）是 Facebook AI 研究院开发的一款高效的向量相似性搜索库，专门用于优化大规模高维向量的近邻搜索任务，广泛应用于语义检索、图像检索、推荐系统等场景。 本文将详细介绍如何使用 FAISS 实现语义检索。具体内容包括： 将内容矢量化并保存为索引 在保存索引的同时，保存每条信息的相关信息metadata 通过矢量库进行语义检索 语义检索是一种基于内容含义（语义）而非表面关键词的信息检索技术，核心目标是让计算机 “理解” 用户查询的真实意图，从而返回含义相关的结果，而非仅匹配字面关键词的内容。 传统检索（如早期搜索引擎）依赖关键词匹配，例如用户搜索 “如何缓解头痛”，仅会返回包含 “缓解”“头痛” 等字面词汇的内容，若某篇文章写 “应对偏头痛的方法”（未出现 “缓解”“头痛”），则会被遗漏。 语义检索则通过语义嵌入（Embedding） 技术解决这一问题： 将文本转化为 “语义向量”：用 AI 模型（如 BERT、BGE-M3 等）把用户的查询、待检索的文档（句子 / 段落）都转化为高维向量（类似 “数字指纹”），向量的相似度直接对应内容语义的相似度。 通过向量相似度匹配结果：计算 “查询向量” 与 “文档向量” 的相似度（如余弦相似度），排序后返回相似度最高的内容，实现 “含义相关即匹配”。 ...

当遇到展示小规模图谱时，使用 Nextworkx 和 GraphML 是一种性价比很高的解决方案。 GraphML 是通用的图数据交换格式，负责图数据的存储和跨工具共享。 NetworkX 是 Python 中一个强大的 网络（图）分析与操作库，它可以处理 GraphML ，还提供丰富的图算法。 本文使用 Nextworkx 实现查询 GraphML 图数据的功能。 查询根节点，支持分页 查询某个节点的子图结构：即它的子节点以及子节点对应的边和下一级节点 ...

我在内网中有很棒的服务资源，但是没有固定IP，如何能够在公网使用呢？ 要解决这种问题，内网穿透工具 frp（Fast Reverse Proxy） 是一个很棒的选择：既然外网不能访问内网，那么就主动从内网打通到外网的通道！ 基本的原理是： 前提条件 要有一台有公网地址的服务器【配置可以比较低】，内网服务器可以连接到这台公网服务器 内网服务器安装frp客户端:frpc，公网服务器安装frp服务端:frps 建立 “长连接”—— 打通内网到公网的 “通道” 内网设备启动 frpc 客户端，并加载配置文件（配置中包含 frps 的公网 IP、端口、认证信息等）。 frpc 主动向公网的 frps 发起 TCP 长连接（默认用 8000 端口，可自定义），并维持这个连接（通过心跳机制防止断开）。 这一步是穿透的关键：由于内网设备没有公网 IP，公网无法主动 “找到” 内网设备，因此必须由内网的 frpc “主动出击”，与公网的 frps 建立连接，形成一条稳定的 “数据通道”。 内网设备无法被公网访问的根本原因，是路由器的 NAT（网络地址转换）机制会隐藏内网 IP。frp 通过 “frpc 主动连接 frps” 的方式，让路由器将 frpc 与 frps 的连接加入 “NAT 映射表”，后续 frps 向 frpc 发送的数据（公网请求），会被路由器正确转发到内网的 frpc，从而实现 “穿透” NAT 的效果。 本文通过一个具体的例子来展示如何使用内网穿透工具frp将内网的web服务推向公网。 frp下载地址 ...

在实际项目中，我们经常会遇到类似下面的查询图数据库的需求： 查询根节点，根节点可能有多个，需要分页 点击根节点，查询其子节点以及子节点关联的边和更下一层的子节点 本文使用 pyHugeGraph 实现上述查询 HugeGraph 图数据库的功能。 ...