以 ChatGPT 和 DeepSeek 為代表的大模型，標志著人工智能在理解和處理世界知識方面取得了顯著的進展。知識增強（Knowledge Augmentation）是指在大模型訓練或推理過程中，通過引入外部結構化知識或符號化知識，提升大模型在理解、推理與生成等任務中的準確性、可靠性、專業性和可解釋性。本書聚焦于“大模型+知識庫（LLM + KB）”框架下的大模型知識增強機制與方法，特別是系統探討大模型與知識圖譜互補增強的核心技術與實現路徑。具體內容涵蓋：大模型知識增強概述、知識增強預訓練基礎、知識增強提示指令、知識輔助檢索增強、知識增強大模型查詢問答、知識增強推理、大模型幻覺抑制、知識編輯、知識增強多模態學習，以及知識智能體與世界模型等主題。各章由淺入深，先提供背景知識，再逐步深入介紹技術原理和最新學術進展，注重系統性、整體性與章節間的有機銜接。針對實踐應用，本書部分章節挑選了來自企業真實案例與開源工具的示范，便于讀者動手實踐，實現理論與實踐的結合。本書可作為計算機及相關專業的高年級本科生、研究生教材，也可作為從事大模型相關工作的技術管理者與研發人員的參考書。
陳華鈞浙江大學計算機科學與技術學院教授/博導，中文開放知識圖譜OpenKG發起人，浙江省數智科技研究會副會長，中國中文信息學會語言與知識計算專委會副主任，中國人工智能學會知識工程與分布智能專委會副主任。入選浙江省有突出貢獻中青年專家、浙江省高層次人才特殊支持計劃科技創新領軍人才，全球前2%頂尖科學家終身榜單（人工智能領域）。主要研究方向為人工智能、知識圖譜、自然語言處理、AI for Science，在Nature Machine Intelligence、Nature Communications、NeurIPS、ICLR、ICML、IJCAI、AAAI、ACL、EMNLP、WWW、KDD、VLDB、IEEE TKDE、Proceedings of the IEEE等國際頂級會議和期刊以第一作者或通訊作者發表多篇論文。主持多項國家自然科學基金重點類項目，以及國家重點研發計劃、國家重大科技專項、重大企業合作項目。曾獲國際語義網會議ISWC最佳論文獎、國際知識圖譜聯合會議IJCKG最佳論文獎、國家科技進步二等獎、教育部技術發明一等獎、錢偉長科技獎一等獎、浙江省科技進步二等獎、浙江大學優秀教材獎一等獎等多項科技獎勵。張寧豫浙江大學軟件學院副教授、特聘研究員、智能科學與工業軟件所副所長，入選斯坦福全球前2%頂尖科學家榜單，主要研究方向為自然語言處理、知識圖譜等。擔任ACM Transactions on Asian and Low-Resource Language Information Processing Associate Editor，ACL、EMMLP、ICLR、KDD領域主席，ARR Action Editor，IJCAI高級程序委員，研發了知識獲取系統DeepKE及大模型知識編輯系統EasyEdit。張文浙江大學軟件學院副教授、特聘研究員。研究方向為知識表示與推理、知識圖譜、大語言模型。在NeurIPS、KDD、WWW、IJCAI、AAAI、ICDE、ACM MM、WSDM等國際頂級會議上發表多篇論文。主持國家自然科學基金青年科學基金項目、浙江省自然科學基金探索青年項目、寧波市自然科學基金探索一般項目。曾獲國際知識圖譜聯合會議（IJCKG）最佳論文獎、最佳應用論文獎，浙江省科技進步二等獎等獎勵。入選副省級市高層次人才引進計劃、百度2023年度AI華人女性青年學者榜。
第1章 大模型知識增強概述 1
1.1 大模型時代的通用人工智能 2
1.1.1 人類語言與世界知識 2
1.1.2 大模型是處理世界知識的通用
人工智能系統 2
1.1.3 通用人工智能的特征 3
1.2 大模型的知識力 8
1.2.1 什么是知識 8
1.2.2 知識的表示形式 9
1.2.3 大模型中的世界知識 11
1.3 知識圖譜與語言模型 14
1.3.1 知識表示與知識規模 15
1.3.2 為什么仍然需要符號知識圖譜 16
1.3.3 語言模型與知識圖譜都是表示和處理
知識的手段 16
1.4 大模型知識增強 17
1.4.1 大模型知識增強的分類 17
1.4.2 大模型知識增強的典型方法及核心概念 20
1.5 本章小結 21
第2章 知識增強預訓練基礎 23
2.1 知識增強預訓練概述 24
2.2 預訓練語言模型 25
2.2.1 語言模型 25
2.2.2 詞向量與分布式語義表示 26
2.2.3 注意力機制：增強詞的交互關系 28
2.2.4 預訓練語言模型 29
2.2.5 ChatGPT 31
2.3 知識增強的預訓練 34
2.3.1 常見知識增強語料 34
2.3.2 知識增強詞向量 36
2.3.3 知識注入 37
2.3.4 結構增強 43
2.4 應用與實踐 47
2.4.1 知識增強電信預訓練模型 47
2.4.2 知識增強電商預訓練模型 53
2.4.3 知識增強蛋白質預訓練模型 56
2.5 本章小結 59
第3章 知識增強提示指令 60
3.1 知識增強提示指令概述 61
3.2 提示學習與指令精調 63
3.2.1 提示學習 63
3.2.2 指令精調 69
3.2.3 思維鏈 73
3.2.4 提示的本質 74
3.3 知識增強提示學習 76
3.3.1 傳統提示學習的局限性 76
3.3.2 知識增強提示模板 76
3.3.3 知識增強標簽詞集構建 79
3.3.4 面向圖數據的提示學習 81
3.4 結構增強思維鏈 83
3.4.1 傳統思維鏈的局限性 83
3.4.2 結構化思維鏈 84
3.4.3 知識圖譜思維鏈 91
3.5 結構增強指令精調 93
3.5.1 傳統指令精調的局限性 93
3.5.2 知識抽取指令 94
3.5.3 圖學習指令 97
3.5.4 知識圖譜指令 99
3.6 本章小結 100
第4章 知識輔助檢索增強 103
4.1 知識輔助檢索增強概述 104
4.2 檢索增強生成 105
4.2.1 什么是檢索增強生成 105
4.2.2 RAG的典型架構 108
4.2.3 RAG的訓練機制 111
4.2.4 RAG的優化 114
4.2.5 RAG的局限性 114
4.3 知識圖譜與RAG 115
4.3.1 向量RAG與KG-RAG 115
4.3.2 知識圖譜對于RAG的價值 116
4.3.3 知識圖譜增強RAG的不同階段 118
4.4 KG-RAG的幾種典型架構 121
4.4.1 Tree-RAG：構建實體或主題
概念樹增強RAG 121
4.4.2 KE-RAG：利用知識抽取增強RAG 122
4.4.3 利用外部知識圖譜增強的KG-RAG 125
4.4.4 融合思維鏈的多模態KG-RAG 126
4.5 本章小結 127
第5章 知識增強大模型查詢問答 129
5.1 知識增強大模型查詢問答概述 130
5.2 查詢問答背景知識 131
5.2.1 結構化知識表示 131
5.2.2 結構化知識查詢 132
5.2.3 查詢問答方法 135
5.3 大模型查詢問答能力分析 137
5.4 知識增強查詢問答方法 138
5.4.1 基于大模型微調的查詢問答 138
5.4.2 基于檢索生成的查詢問答 139
5.4.3 基于統一表示的查詢問答 142
5.5 本章小結 144
第6章 知識增強大模型推理 146
6.1 知識增強大模型推理概述 147
6.2 知識推理背景介紹 148
6.2.1 什么是知識推理 148
6.2.2 語言模型推理 153
6.2.3 知識圖譜推理 156
6.2.4 知識增強大模型推理的目標 162
6.3 知識圖譜增強語言模型推理 163
6.3.1 知識圖譜引導多跳推理鏈 163
6.3.2 符號規則引導大模型推理 166
6.3.3 知識圖譜過程監督 170
6.4 語言模型增強知識圖譜推理 172
6.4.1 語言模型增強知識圖譜查詢推理 173
6.4.2 語言模型增強知識圖譜關系推理 175
6.4.3 語言模型增強知識圖譜規則推理 177
6.5 知識圖譜基礎模型 179
6.5.1 知識圖譜預訓練方法 180
6.5.2 知識圖譜基礎模型初探 183
6.6 本章小結 186
第7章 知識增強幻覺抑制 188
7.1 知識增強幻覺抑制概述 189
7.2 大模型幻覺背景 190
7.2.1 大模型幻覺問題定義 190
7.2.2 大模型幻覺成因 192
7.2.3 大模型幻覺檢測與抑制意義 193
7.2.4 知識增強與幻覺抑制 194
7.3 大模型幻覺檢測與抑制 194
7.3.1 幻覺問題檢測方法 195
7.3.2 知識增強幻覺抑制 199
7.4 本章小結 206
第8章 大模型知識編輯 208
8.1 大模型知識編輯概述 209
8.2 大模型知識編輯問題 210
8.2.1 什么是大模型知識編輯 210
8.2.2 大模型知識分析方法 212
8.2.3 大模型知識存儲機制 214
8.3 模型知識編輯方法 217
8.3.1 基于外部干預的知識編輯方法 218
8.3.2 基于內部更新的知識編輯方法 222
8.4 模型編輯影響分析 225
8.4.1 知識能力影響 225
8.4.2 通用能力影響 227
8.5 應用與實踐 227
8.5.1 EasyEdit開源知識編輯工具實踐 227
8.5.2 OneEdit知識編輯框架 230
8.5.3 大模型知識編輯應用 230
8.6 本章小結 232
第9章 知識增強多模態學習 233
9.1 知識增強多模態概述 234
9.1.1 人類認知系統 234
9.1.2 融合兩種記憶 234
9.1.3 知識圖譜與多模態學習 235
9.2 多模態與大模型 236
9.2.1 多模態任務簡介 236
9.2.2 多模態生成模型 238
9.2.3 多模態大模型 241
9.3 知識增強視覺問答 242
9.3.1 視覺問答與知識圖譜 243
9.3.2 知識增強視覺問答的基本過程 244
9.3.3 典型案例：知識增強多模態視覺問答 249
9.4 知識增強跨模態檢索 251
9.4.1 跨模態檢索與知識圖譜 251
9.4.2 典型案例：知識增強多模態語義檢索 252
9.5 知識增強低資源多模態學習 254
9.5.1 低資源學習與知識圖譜 254
9.5.2 典型案例：知識增強的零樣本學習 255
9.6 知識增強多模態生成 257
9.6.1 多模態生成任務概述 257
9.6.2 典型案例：知識增強視覺敘事 258
9.7 知識增強多模態幻覺檢測 260
9.7.1 領域知識與大模型幻覺檢測 260
9.7.2 典型案例：知識引導的多模態幻覺檢測 262
9.8 本章小結 264
第10章 知識智能體與世界模型 266
10.1 概述 267
10.2 AI智能體與工具調用 268
10.2.1 什么是AI智能體 268
10.2.2 AI智能體架構 270
10.2.3 AI智能體學習 275
10.2.4 為什么需要知識增強AI智能體 276
10.3 知識增強的AI智能體 277
10.3.1 知識增強的單智能體規劃 277
10.3.2 知識增強的多智能體協同 281
10.4 總結與展望 282
10.4.1 大模型的知識機制 282
10.4.2 具身智能與世界模型 283
10.4.3 世界知識模型 284
參考文獻 286
新書資訊