但是，草台班子上的一片瓦
掉下来能把人砸出脑溢血。
您已偏离路线，已为您重新规划路线，请您在合适的路口选择掉头。
2025二月最后一天的深夜，第一次在路边摊不顾一切地崩溃。
在一碗羊杂汤前，呼吸碱中毒。
手力气很小，拿不住烙饼。
饿，但止不住呕吐。
睡眠可以逃离，但醒来又要回到现实。
LLM+知识图谱技术路线综述《Unifying large language models and knowledge graphs:A roadmap》
论文地址：https://ieeexplore.ieee.org/document/10387715/
0.1 阅读前言
以下对 大语言模型 称之为 LLM ,对 知识图谱 称之为 KG
0.2 阅读摘要
本文综述了当前LLM+KG的三个主流研究方向
- KG加成的LLM（KG-enhanced LLMs）
- LLM加成的KG（LLM-augmented KGs）
- LLM与KG协同（Synergized LLMs + KGs）
对两者各自的背景知识、优缺点进行阐述，得出“互补”的观点，并对目前三个主流研究方向的细分方向进行解释、方法举例。
在国产定制化NVIDIA Jetson Orin NX上离线化部署Ollama（GPU）及各类折腾经验
0.1 摘要
在边缘计算设备上部署大模型是一个新鲜事儿，网上教程多，但实战少，多为按照官网文档直接在线安装，本文主要解决以下几个问题：
- 根本没有考虑到 特殊的网络环境 。
- 即使考虑到了 问题1 ，也没考虑到实际的边缘计算设备在工业环境下往往是不联网的，顶多在开发时连接网络，部署上后的运维一直存活在内网。
- 官方文档仅针对公版设备，国产定制的芯片、驱动、系统均需要特色化，其实际的配置与开发固然不能直接照搬。
- 折腾来折腾去，这货真的调用GPU了吗？
- CPU也不差，GPU也不强 ，权衡功耗与性能是得多考虑考虑。
- 这货的CUDA跟X86 GPU的CUDA到底有什么区别？如何迁移学习？
在此，感谢 图为信息科技(深圳)有限公司 对我赞助的 TWOWIN TW-T806 设备。
本文设备的核心为 NVIDIA Jetson Orin NX ，原则上，本文的相关经验可供同核心或同系列开发板参考。