只要你还活着,无论正在干什么,一定要有一张自己的关系图谱,我来教大家怎么窥视。最后一点尤为重要。首先呢,以自己为原心,从近到远,从轻到书,从高到低,从家庭到单位,按照几条线索梳理出你认识的所有的人。然后啊,明确图谱中所有人与自己的利害关系 及对自己价值为准绳,树立出四大类。第一类呢,有助于自己可以借力的。第二类,与自己有竞争,需要警惕的。第三类,与自己分歧较大,需要疏远的。第四类,有过节需要防备的。接着,要丰富图谱中所有人的信息, 找到他们的爱好、兴趣、特点,以及与圈子中其他人或者圈外的大人物或亲或疏,或好或坏的关系,找到自己和这些人的共同点,差一点找到自己可以为这些提供的资源。这些人啊,看重自己的资源,可以是能力,可以是性格,也可以是兴趣,可以是优点等等。最后啊,根据厉害关系图谱, 结合自己的需要和目标,采取或加强或弱化和自己这些人的关系的对策,加以时日,并能见效。
粉丝3462获赞6.2万

挑战用十二期视频带地球新手小宝系统搭建世界观第八期,社会使用说明书先问大家两个问题,第一个,你觉得社会是什么?那第二个问题,你觉得你和社会是什么关系呢? 好,暂时回答不出来也没关系,因为今天我将为你呈现一个全网最全的社会使用说明书, 括号,非官方好宽板。如果你总是觉得社会很复杂,看不清规则,并且活得很累,那今天的视频你一定要看完。我不能保证一定会让你活的有多好,但是大概率可以让你看待社会的时候不会再觉得那么复杂,那么累了。 今天的内容会分为三个部分,社会是什么,人和人的关系以及人和社会的关系。好,正片开始, 社会到底是什么呢?开门见山,社会是人和人之间因资源互动而建立起的生态。首先说明,这不是一个完美的定义,因为社会是什么?这个问题太大了,大到在世界范围内还没有一个公认的唯一的解释。但我想 我们今天围绕这个话题展开,也不是要追求一个绝对客观全面的定义,而是想要有一个暂时能够帮我们把头绪理清的定义。那这个定义必须要足够的简单、直接、具象,因为越抽象的概念,越难理解,越难 共识。所以这个定义的好处就在于,它让我们能够始终盯住两个具象的要素,人 和人所能支配的资源。这两个要素是社会的起点。打个比方,我们设想一下,社会最早期的形态大概就是几个智人,因为意识到自己单人的力量非常有限,那为了获取到更好的生存资源,所以决定一起狩猎,共享成果。 可狩猎的过程,谁去负责那个最危险的工作呢?分享的时候谁又能去吃那块最好的肉呢?这些规则怎么制定,谁来说了算呢?这种人和人之间围绕着资源的互动而建立起来的生态, 就是社会的基本形态。人对于资源的分配、分配权力、建立秩序的互动就是政治。 人对于资源的生产、交换、消耗的互动就是经济。而人对于人和资源进行解释,赋予意义的互动就是文化。 所以你说社会复杂吗?真不复杂,就是人为了多享受一点一个人的时候享受不到的资源,所以 选择组成群体参与互动。但是反过来呢?这个群体也会对你有一定的限制和要求,你需要让渡出自己某一部分的自由,争取和大家一起好好过日子。 说的再直白一点,他就是咱们仨,把日子过好比什么都强。只不过区别在于,这个社会里不止咱们仨,而是这么多人面对 这么多的资源,形成了这么多的互动,并且经历了几十万年的时间,建立了这么庞大的自我演化的生态,它很大很乱,但是 不复杂,就是这么点事。那关于社会中的政治、经济、文化这三大体系,我们分别在第五期、第六期、第七期已经讲过了,大家感兴趣的话可以再回过头去看一下,把它们串联起来。 当然我聊的都不是很宏观很全面的,但是一定是离我们的生活很近的。接下来我们主要聊一下人和人的关系,以及人和社会的关系。其实人是不需要社会的,但是人需要其他人, 当你需要并且和其他人建立了关系时,就必然形成了社会。所以社会关系的本质是人 和人的关系。那我们要如何看待人和人的关系呢?我们可能常常会陷入二元论,人际关系要么是温暖的合作,要么是冰冷的竞争。但其实不是的,人 和人之间没有绝对的竞争,也没有绝对的合作,而是由无数个细小的合作和竞争所组成的 共生关系。回到我们刚才举个例子,几个智人一起狩猎,共享成果,看似是合作,但其实谁去做那个最困难的工作,打到的猎物要怎么分?这些其实都是微小的竞争,甚至是最和谐的家庭里也会存在着很多不易察觉的 竞争。这种关系的本质是由人的弱小性和自私性所导致的,这个我们在自私的基因内些已经了过了, 所以不能把人际关系简单的切割成合作还是竞争,仿佛这个世界就是非黑即白的,我们可能竞争资源,但是又共享信息。我们可能观点对立,但是又彼此需要。同时人和人产生互动的底层逻辑 就是依赖价值交换,无论这个价值是资源、机会,还是情感信任等等。这么说可能会显得有点冷漠,但是 我们愿意去和彼此产生互动,一定是因为我能在你那得到一点什么,我自己一个人的时候所无法拥有的东西。所以在面对这个社会中人和人的关系的时候,我们应该有两个觉悟,第一个就是 不以善恶去区分人性,而是可以理解人的自私性。这里可以分成两层来看,第一层就是理解,我们能够理解一个人的行为背后是由他的需求、 欲望、恐惧等等这样的心理去驱动的。那理解之后,我们也就可以去建立一个同理心,我们可以去尝试站在对方的角度去思考问题。同理心是人和人之间化解冲突,建立链接的一个最基本的工具。 第二个觉悟就是不要过度的释放真心,而是要去兼顾信任和保障。信任是基石,但是保障是 底线,我们当然需要信任,所有的合作都要建立在信任的基础上,我们的社会如果没有信任,根本没有办法运转。但是信任不是盲目的,我们需要有自己的底线,要清楚的知道 信任的边界在哪里,一旦有可能触及底线,必须要建立保障机制, 不要觉得索取保障是在摧毁信任,任何有诚意的合作都是要双方互相信任,互相提供保障的,只会一味强调信任的人,往往才是最不值得信任的。 总之,当我们能够把目光聚焦到人这个最小单位时,其实就已经抓住了那个去面对社会,理解社会的 小钥匙。那人要如何理解自己和社会的关系呢?应该每个人从小就听过这样的话,你如果一直这样,等以后进了社会怎么办? 或者是等你们毕业了,进入社会了,就知道现在的生活有多好了。这种说法的出发点可能是出于保护和教育的心态,但是无形之中就会给我们带来两种错觉,第一个就是人和社会好像是可以切割开的。 第二个就是社会是一个大熔炉啊,人一旦走进去,那就是等着任人宰割。可是真相是第一,人和社会从来没有切割开过,我们从一出生就是降临在社会中的, 我们的身份从一开始就是一个社会里的人,而不是一个自然中的人。我们可是花了钱的,通过医生和护士的帮助才出生到这个世界的, 所以每个人从一出生就是一个浑然的社会人。第二点,人不是社会的客体,人是唯一的主体, 人要做的是利用社会,是身处社会,我们是让渡了一部分的自由,那又如何? 现在让咱们自己一个人去深山老林里自己过日子,那也是生活不下去的,不是吗?那就好好在这个社会里生活一番,洞察规则,让规则为我们所用,尽快放弃那种被动卷入社会的 受害者心态,转变成我们是主动去利用社会的大玩家心态,这不是给自己洗脑,而是事实就是如此,一切的出发点都是你自己,是你的需求, 如果你没有任何需求,没有任何欲望,那这个社会其实根本影响不到你,是当你有了需求,需要去用到这个社会的时候,这个过程中才会不断出现一些待解决的卡点, 如果你真的想要满足自己的这些需求,你就得有这个去面对卡点的觉悟,并且你是完全有能力去解决这些卡点的,因为 你有主动性,有好奇心,你可以去主动了解这个社会的运行规则,了解资源的分布,了解潜在的机会,而且你有你自己独特的价值,你的才能, 你的服务,你的创新,你的想象力,都是你能够去利用这个社会的资本,并且你有学习和适应的能力, 哪怕这个社会不断的在变化,但是只要你能够保持学习,不断的去更新自己的工具,你就永远能够适应这个社会,甚至可以领先社会。最后,你是有伙伴的。 好消息是,只要你还在这个社会里,你就永远不会只是自己一个人,你可以大胆寻求帮助,一定会有人来帮你的,因为这个社会就是这样来的。所以如果此刻你的心里还是有那样一条线,在区分自己和社会, 区分小社会和大社会的,那在你准备走向那个心理的大社会的时候,我想告诉你,社会的大门已经向你打开了,这意味着你是一个独立的个体,必须要为自己负责,但同时 恭喜你,你可以自己做主,尽情的使用这个社会了。好,以上就是本期的全部内容,周一见世界十二周系统搭建世界观行动计划我是郝郝宽,我们下周一见!

挑战,每天讲透一个 ai 大 模型知识点,今天是知识图谱的构建方法,为什么你的 ai 总是答非所问?因为你少了这个关键的步骤,构建知识图谱,它就像给 ai 装了一个关系网,让它真正理解你在说什么。 哈喽,大家好,今天我们就来聊一聊这个让 ai 变聪明的秘密武器,我会从以下几个方面啊来给大家去进行介绍。 一、什么是知识图谱?二、知识图谱的构建方法三、 graphreg 四、多模态知识图谱。下面我们来看一下什么是知识图谱, 那它的定义非常的简单啊,它就是一种由节点和编组成的啊,用图的方式来表达知识的语义。网络那常见的知识图谱有两种类型, lpg 和 rdf。 那 l p g 的 结构图啊,如图所示,我们可以看到啊,其中的这个刘备啊,它就是我们的一个节点,然后关羽它也是一个节点, 那这个节点它代表的就是实体啊,或者说概念。然后这个边啊,它代表的是实体之间的一种关系,比方说关羽它是刘备的翼弟,刘备啊是关羽的兄长, 那标签的话,他指的是这个实体啊,或者关系的一个分类。那我们可以把刘备啊和关羽啊都分类为人,那么他们都可以有一个标签啊,成为人, 那属性的话,他描述的是我们这个实体或者关系的一个特征。那刘备啊,那他作为人的第一个属性啊,这他的一个属性,然后关羽,那他的一个属性呢,就是勇猛 啊,这个是 lpg rdf 啊,那么它的结构图啊,如下所示啊, rdf, 那 么它的全称是 resource description from work, 那 我们可以看到 rdf, 它和 lpg 的 一个显著的一个区别 在于什么呢?我们把这个标签和这个属性啊,全部都给它提取出来啊,作为一个单独的实体来存在, 然后这个实体啊,又和我们之前的那个人的实体哎,它又会有这样的一些边啊,来进行这样的一个相连,那这样的一种结构啊,我们就把它称之为我们的 s p o 三元组。 那我们再对比一下 l p g 和这个 r d f 啊,它的这个图,那你就可以看到,那么这上面的这个仁,还有这个仁义啊都被提取出来了,所以这个 r d f 的 这个图的话,那么它里面的这个实体的数量是更多的, 而且它的关关系的这个数量啊,也就我们的边,它也会更多,所以 r d f, 那 么它其实更适合我们需要通过 丰富语义表达和推理的一种应用。那因为 l p g 啊,它其实更简洁啊,所以它需要的是吗?就是你要有这个高性能的这样的一个分析的这样的一个场景,那你可以去用这个 l p g, 那 如果说你需要的这个啊,推理能力比较强 啊,语义的表达能力比较强,那么你就要用这个 r d f, 那 这是它们两个之间的一个区别。 但是我们在实际啊,构建知识图谱的时候啊,需要结合我们的需求啊来进行判断。下面我们来看一下如何构建知识图谱啊,主要有五以下五个步骤。 第一步呢就是我们的本底建模,首先我们需要定义领域啊,那我们以这个三国演义中的人物关系为例啊,来介绍一下如何去做啊?本底建模,我们首先需要去定义这个实体,那就是我们的人物 需要去定义这个实体的一个 label 啊,也就是我们的这个人,然后 label 的 属性,那比方说人格啊,这个年龄、身高, 然后还有这个关系建模,也就是我们的这个边啊,那这个边的话,就比如说我们的异地啊,兄长啊,还有这个效忠啊, 然后还可以去定义他的规则和推理啊啊,比方说我们现在发现这样的一个关系啊,就是 a 效忠于 b, b 效忠于 c, 那 我们就可以去推理出啊, a 效忠于 c 的 这样一个关系,那其中 a 效忠于 c 的 这样一个关系啊,那么其实在原本的图谱中啊,它其实是不存在的,那只是我们通过定义的规则啊去推理出来的。 所以在做完体建模之后啊,那我们就需要去收集我们的数据啊,或者半结构化数据,还有非结构化的数据啊,那都有, 那需要对它来进行清洗啊,转换成我们需要的这样一个格式。那第三步的话,就是我们的实体的识别和关系抽取, 那下面的话是一个啊,已经清洗之后的一个数据啊,我们以它为例来介绍一下如何做的这个实体识别和关系抽取啊,提取出这段文字中的 实体和关系,那最终的话,我们是提取出来两这样两对关系啊,刘玄德啊,他的意弟啊,是关羽,然后关羽他的兄长是刘玄德,那其中的这个人物啊,就是我们在这里去定义的这个实体, 然后我们这个异地和兄长,那就我们在这里啊,我们去定义了这样一个关系啊,那其中的话,他并没有去体现出这个实体的属性哎,因为在这句话里面,他其实是没有这个属性的啊,所以我们并没有把这个属性啊也给他提取出来,比如说这个年龄、身高,他这里面没有啊。 好,那么实体识别和关系抽取之后啊,我们就进入到第四步啊,就是我们的知识融合和消歧,那这个是什么意思啊?就我们可以看到,那么我们在第三步啊,我们提取出来的这个刘玄德啊,这样的一个实体, 那么我们在已有的知识图谱中啊,他没有刘玄德这样的一个节点啊,但是他有一个节点是什么?是刘备。那我们都知道刘玄德和刘备他其实是一个人,所以这个时候我们就需要把两部分的知识融合 或者啊消除一个歧义啊,就两个点,他其实本质就是一个点,所以我们以刘刘备啊为准的话,那么其实就是把这个刘玄德这个点,也把它合并到刘备这个点啊,那么在这个关系中啊,刘玄德他就会被替换为这个刘备啊, 那做完这一步啊,就是我们的最后一步啊,就是可以把我们的这个知识图谱啊去进行这样一个存储了,那这里面的话,就是我们常见的啊,这一个存储的方式啊,那我们可以根据自己的需要啊去进行选择。那额外说明一点啊,就是这个实体识别 啊,它到底是啊怎么去做的啊?那么它其实就是我们在 n l p 当中一种很常见的一个任务啊,那我们其实可以看到啊,那么在这五步当中啊,比较重要的一步啊,就是这一步所有的这个过程啊, 那需要很强的这个啊算法能力的啊,那其实就是这一步啊,啊,提取这个实体啊,还有我们的这个关系,那我们一般来讲就提取这个实体和关系啊,就我们都会用到啊,机器学习当中的一个算法, 那么在呃切的 gpt 啊出来之前的时代啊,那我们想要去啊,做这一个任务的话,我们一般啊都是通过训练神经网络的模型啊,然后从自然语言当中啊,去提取这个实体和这个关系啊, 然后这句话也有一篇文章啊,那这个的话他讲的比较详细啊,你可以去阅读这篇文章啊,去了解,那么这个神机网络啊,他到底是怎么样啊训练出来的,这样的话你会对这个实体识别还有关系抽取啊,有一个比较不错的这个了解啊, 那么在切的 gpt 出来之后啊,那么我们现在啊,其实这一步啊是可以基于大语言模型来做的,那这篇文章的话,其实就是讲的啊,就如何通过啊大语言模型啊,去构建啊,我们的知图谱,那么它其实取代的啊,就是我们的这个 实体识别啊,还有我们的这个抽取啊,还有我们的这个文体建模啊,这两步啊,就是我们在这五步当中, 那我们会发现啊,就是它里面的第一步啊和第三步啊,那这一个都是可以被啊大模型去去进行取代的,那么具体是怎么去做的啊?就我们可以看一下这一篇文章啊,那么在这里面的话,他其实有给到我们的一个呃内容啊,可以看一下这段代码, 那么在这里面它其实就已经告诉我们的啊,就是它首先的话其实就会定义啊,我们的这个 proment 啊,来作为我们的文本输入啊,给到这个大语言模型,那么在这里的这个意思啊,就是告诉啊大模型,对吧?请你啊帮我去提取出来一些点, 那么这一些点的话就它会有一些属性,哎,那比如说我们的 id, 对 吧? ok, 然后还有这个什么,还有这个 tip 啊,它的一个类型, ok, 也就我们点的属性啊,还有这个点的属性, 那这里的类型呢,其实就是我们本体啊,建模当中的标签啊,然后属性那就是我们本体建模当中的这样的一个属性了, 他这里的话会要模型啊,自己去识别出来。我们提供给他的这个语料当中啊,他有哪一些标签啊?有哪些属性?但其实在领域知识当中,那我们一般啊,我们都会自己去做这个本底建模, 那把这个什么把这个属性还有这个标签啊,我们给他去规定好,然后大模型按照我们规定好的这个内容啊去进行提取, 那么在这里的话,他也去定义了就是一个关系啊,抽取了这样的一个模板啊,那在这个模板当中啊,就他会告诉他,对吧?请你啊帮我去提取这个节点之间的一个关系, 然后这里面的话,他就会有这个什么有这个啊,溯溯漏的啊,还有什么还有这个 tag 漏的啊,那么这两个啊,就是他会去组成我们的这个边的这样一个属性啊, 啊,还有就这个编的这个属性啊,就如果说有的话,就他都会给他提取出来,那通过这样的一个 promant 啊,那么把原石与料给到大模型之后啊,那么大模型就会帮我们自动啊,去提取这个实体啊,还有他的一个编的这样的一个关系啊, 那么最终啊提取出来的这个实体啊,还有这个标签的话,那么就是这样的啊,这有多少个实体, 然后实体和实体之间的这个关系啊,就他都会啊帮我们去提取出来啊,那这些内容啊,都是由大模型啊他自己去识别出来的,那我们在自己在用这个知识图谱的时候啊,所以我们一般都是啊做好了这个本底建模啊, 那我就是我们的这个实体,然后我们的这个 label, 还有我们这个属性,包括我们的这个编的这个 label 啊,其实都是已经啊规定好的,就这一步啊,可以不?不需要让大模型去做啊,因为我们自己去做的话会更准确一点, 所以在以前的话,那么其实知知识图谱他其实有一个门槛的啊,是要有专门的人才能够去做这件事情,一般的人做不了。好吧,那就现在啊,其实大模型也能去做啊,他只是做的可能不是很准确啊,那还有一点啊,就是我想给大家去提的这个地方的话啊, 那么就是,呃,我们在解锁这个知识图谱的这个过程当中啊,那我们去借助大模型,它其实是可以去做到一个自然语言啊,然后到这个 啊,塞尔否语句的一个转换啊,就你比如说啊,在这里,那么它是有一个 quarry 啊,这是我们用户啊,我们所提出的这样的一个问题。 那你比如说这个 query 啊,它是这个啊,就是啊,迪士尼啊,它是什么时候出生的?那么我们的这个大模型啊,它会把这个自然语言啊转换成我们的 server 语句啊, ok 啊,也就在这里,就当它执行的一个结果, 那转换成这个 c f 语句之后啊,我们就只需要啊执行这个 c f 语句,那我们就能够去查出啊,这个最终的一个结果啊,然后把它对应的这个指图给它找出来就可以了啊,那不过这种方式啊,就它的准确率啊,其实 并不高啊,因为我们知道啊,自然语言生成它其实是一件非常困难的任务啊。现在啊,我们来看一下,就我们的 graph 啊, 呃,那么 graph red 的 话,它是一个基于图的啊,一个增强回答,就它是借助啊图谱的这样一个互联性啊,为这个大语言模型啊,去提供更复杂的这个关系信息啊,让其能够进行更复杂的一个推理。 那这句话啊,它到底是个什么意思啊?那比如说啊,你记得这样的一个信息啊,就是 a, 它是 a 公司的 ceo, 那 我们在文章里面它可能有这样的一句话,然后同时它也是这个 b 公司的 ceo 啊,最后啊,它还是这个 c 公司的 ceo, 那 么这三段信息啊,它分散在一篇文章里面啊,如果我们按照传统的 red 去做的话啊,我们去提问, 哎,比如说这个人他是几个公司的 ceo, 那 我们通过这个 query 和这个原始的文档啊,去做一个语义的一个匹配啊,那最终我们其实并不会匹配到这三段比较分散的信息,因为他们语义的相似度仅仅就集中在 ceo 这个词上面,对不对?其他的地方,比如说几个,那这个东西啊,它是没有办法去体现出来的,所以我们可能没有办法去招回这样的一些分散的信息。 但是如果有只图谱的话,那我们就可以直接把这个人和这个 ceo 啊,他们他在哪一个图谱当中啊,那解锁出来,然后把整个纸图解锁出来之后啊,再交给我们的大模型啊,让大模型来进行这样一个回答。 那接下来我们可以看一下,那么 graph red 啊,它具体是怎么去做的啊?啊?那么在这里的话,就是我们有一张图啊,给大家找到啊, ok 啊,这张图好,那么在这张图当中啊,呃,给大家可以看一下啊,那它下面的这一部分啊,其实就是我们传统 red 的 一个做法啊,就我们用户啊,对吧?首先它有这个 宽瑞啊,然后宽瑞的话,那么它会进行这样一个什么五 act 啊,就是一个像样的一个相似度的一个匹配, 然后从这个销量数据库里面我们匹配到一些文章之后啊,我们再把这个啊,相似度比较高的这个文章啊,我们再交给我们的这个啊大模型,然后大模型再给我们去生成这样一个啊 response 这样的一个回答,那上面的这一部分内容啊, 那其实这个什么,其实就是我们的这个啊 graph, 对 吧?那 graph 用户啊,同样的它也有一个提问,然后它根据我们这个提问啊,去搜索啊,从这个图结构当中啊,去搜索啊这个提问啊相关的一个指图,然后把 我们的这个相关的一个指图啊,也交给我们的大模型啊,让大模型去进行这一个回答。所以在这张图片当中啊,我们其实能够看到的这一个啊, 这个结构啊,它其实是网上其实做了一个,呃, graph regg 和 regg 的 一个结合啊,就是大模型它接收到的信息啊,一部分是我们的 graph regg 啊,我们的图,然后一部分的话是来自于我们原始的这样的一个文本啊, 那下面的话我们可以来看一下,就是这个 graph regg, 那 么它具体啊,它是如何去实现的啊?那么首先的话,我们会 获得我们用户的这样的一个啊 quarry, 好, 然后那在这个用户的这个 quarry 当中啊,那我们可以去提取什么,我们就可以去提取一些关键的这个实体啊, 比方说啊,这个阿曼尼呀后,对吧?然后我们再从这个指图当中啊,去寻找这样的一个实体,然后找到这个实体之后啊,那我们就可以把它的这个一跳查询,或者说二跳、三跳, 那这个跳数啊,就你要这个跳几级,那我们是可以自己去定义的一个参数啊,那么在这个例子当中啊,就他是做了这个一跳查询啊,然后查询这样的一个查询出来这样一个纸图之后啊,我们会把这个纸图的这个信息啊给它拉平, 那么拉平之后啊,就是这个 amy, 对 吧?然后压后提,呃,然后他的国籍啊,是美国啊,他出生在这里,然后普渡大学工作。那其实这一部分信息啊,就是我们的 s p o 啊,三元组的这样一个形式啊, 我们会把这样的一部分信息给到大模型,让大模型给出一个回答,然后那这个实体啊,就它是怎么去提取的啊?好,我们可以看一下啊,下边这里的话有一个 promise 啊,那它会告诉我们什么?告诉我们的大模型啊, 那我的这这个什么实体啊?它的类别有哪一些?那比如说它有这个 person 的 人,对吧?还有咱们这个组织啊,还有这个, 那都告诉他之后,那你要从用户查询的这一个语句当中啊,去提取出这三类实体啊,然后他会给到一个什么?然后他这里会给到一个啊,这个 query, 那 么在这个 query 里面的话,它是一个什么呢?就是它的这个问题描述啊,就是这个 emily, 然后 e r house, 对 吧?它是什么时候出生的?然后它提取出来的一个结果啊,就是什么 emily e r house, 刚好是这个人,对吧?那他提取出来这样一个实体之后啊,他就会再去从我们这个图谱当中啊,哎,去匹配啊,这个人物啊,那么他所对应的一个实体啊, 那它的这个曲值,那你比如说这个 emily yahoo, 刚好啊取出来它就是我们的这个红色的这个点啊,然后再去做这个多跳查询啊,把这个图查出来啊,就可以了啊,然后下面的话,那么我们来看一下,就是我们这个的微软的这个啊, graph red 啊, 那微软的这个 graph red 的 话,它有一个不同的点啊,那么在于啊,就它提出了一个 label search 的 来回答一个概括性的这样的一个问题啊,就比如说啊,那么在一篇文章当中啊,那我们去问它就最重要的五个主题是什么? 那么传统的 red 它是没有办法去处理这种问题的啊,因为它会去匹配这个 query 和什么,他就会去学这个 quarry 和文章啊,一个语义的一个相似度,那么文章如果没有明确的去写出来这个主题是什么,那么你是匹配不到这样的一个和 quarry 啊相关的一个文章段落的啊,所以你也没有办法给出一个准确的一个回答, 但是啊,通过 graph 他的这个 label search 的, 他就可以给出一个比较概括性的这样一个回答,那么他是怎么去做的啊? 啊,我给大家看一下啊,其实在这一张这篇文章里面啊,其实有讲到啊, ok 啊,就这边有一个图啊,大家可以看看这张图啊,那么这张图的话,它其实就是一个很大的一个知识图谱, 那我们其实可以发现这个图谱当中的这个点啊,它的颜色它是不一样的,并且大小也不一样,那么越大的点啊,就说明啊,它的边它的数量是最多的 啊,越小的点,他的边的数量就会越小。同,然后啊,同一类颜色的点啊,就说明他们是一个类别的,那么这个点的类别,他到底是啊怎么去进行这样一个划分呢? 对吧?这个点他到底怎么来的?那么这个就通过我们的句类算法,然后从图谱当中去生成出来的啊,就是我们在回答概括性问题的时候,那我们要做的一个事情, 其实就是把同类别的啊,我比如说我们这个同一个处啊,我们同一个这个类别,然后给到这个大模型,然后大模型再给出一个针对于这样的一些点和这个边的一些信息啊,给他一个总结。那么微软啊,大概的话他画了一个图啊, ok, 然后这个图的话我给他放大啊,大家看看清楚一点啊,好,然后这个就是一个啊,给了一部摄影器啊, ok, 好, 那么在这个图当中啊,他是这个样子的,就是每一个这个处啊,就是或者每一个这个点啊,他都会有一个什么,就他都会有一个总结报告, 那么有 n 个这个错啊,我们那它就会有 n 个什么 n 次总结,然后啊我们就需要把这个认 n 次的这个总结啊,我们都要去给它做一个什么,都要去给它做一个啊 rack 啊,就是我们这个排序和过滤啊, 然后再把这个排序和过滤以后的一个结果啊,给到我们的这个大模型啊,然后去生成一次,生成一次聚合以后的一个回答。 那每一次啊,我们的这个啊 report 啊,这个图里面的一部分信息啊,它我们在最后我们会把它进行一个整合嘛, 那所有的这个处啊,所有的这个 reports, 那 你都给它去进行整合之后,那么其实就得到了这样一个概括性的一个信息,当然整个的过程啊,它是非常去耗费我们的这个啊 report 的 出来, 然后总结完以后啊,还需要让大模型去帮我们做这样一个信息的一个啊聚合,那你有 n 个 report 的 话,那么你要调用 n 次大模型,调用的次数越多,你的开销就越大。所以啊,这个 label search 它其实是一个非常耗费啊,啊,耗费非常大的一个方法, 然后的话,那么它还有另外的一个方法叫这个 local search 啊,那么 local search 的 话,它就是我们刚才啊, 呃,我们前面啊讲的这一篇啊文章里面的这样的一个啊介绍的一个方法,它就是一个啊 local search。 那 微软的这个 local search 的 话,它的一个做法和这篇文章里面的话有一点点区别啊,就是它没有干嘛呢?就它没有啊,直接去提取啊,我们的这个,呃, user query 啊,好吧,它没有直接去提取这个实体啊,就它不提取实体。 那么不提取实体的话,它是怎么去做的啊?就它会把什么呢?就它会直接用我们的这个 user query 啊,就用户的问题,然后和我们这个实体啊,它都会有一个什么?它也会有一个 description 啊,就是一个描述, 那么它会和实体的这个 dictionary 啊去进行什么?它有一个 embody 啊,向量化之后的一个内容啊,然后去做这个语义的匹配,然后匹配度高的。那我就认为啊这个 query 和这个实体之间啊,它是有关系的, 然后啊我们就去找到这个实体啊,在这个图谱当中的一个位置啊,根据这个实体啊去匹配它对应的一些纸图,然后把这个纸图啊作为 promenade 啊给到我们的这个大模型,然后大模型的话,最终啊我们得到这样的一个 response 啊,一个结果, 然后他会把这个纸图啊,还有我们的这个历史的这样的一个什么历史的这个对话的一个信息啊,啊,都会给到这样一个啊,大模型啊, ok, 所以 的话就是我们如果说啊,想要去了解啊,比如说这一个啊,微软的这个 graph reik, 是 吧?到底是如何去构建出来的啊?那么我们同样的也可以去看一下,就它的一个呃,原码, 那么它其实也是通过我们的这个 permit, 我 们的提示词啊来做的。那比如这个原代码当中啊,就已经有这样一个描述了, 好吧,就首先他会告诉大模型书啊,就是你帮我去提取什么?你帮我去提取这个啊,实体的这个名称呢,对吧?这个实体的这个类别,对吧?还有我们的这个实体的这个描述啊,都给他提取出来,那实体的名称啊,就是我们的这个实体嘛,主体嘛,对不对?然后实体的类别就是 label 啊,描述就是我们的这个属性啊, 那这一步啊,就做我们的这个实体的一个识别,然后还有一个就我们的关系的一个抽取,那关系抽取的话就是告诉啊,就是你要告诉我这个关系中这个实体啊,比如说它的这个啊,啊 source 是 谁啊?还有这一个 target 啊,这他的到底是谁?然后他的这个编的这个属性啊,他是什么样的?就我们把这一段啊,我们的这个 promant 啊,给到大模型,然后再把原始的文本啊给到大模型之后啊,那么大模型就能够帮我们去提取啊,就这两个部分内容,一个是实体,对吧?还有一个就是我们这个关系啊, 那么它返回啊,其实就是我们规定的一个返回的一些结果啊,就是看到吧 output, output 规定的好,然后我们再然后啊,就我们也可以去把什么,我们也可以啊,就是你 不想要让我们的这个大模型啊,去提取我们的这个实体,那我们就可以把什么,我们就可以把我们自己定义好的一些实体给到我们的这个大模型。那怎么给呢?这个地方它会有一个啊 type 啊,就你可以把它写到这里面啊,那这个地方给大家举一个例子啊,比如说它这个 type 的 话,它可以是什么在这里啊? ok, 就 在对应的。然后比如说这个 person 啊,我们的这个人呢,还有这个 location 呢啊,就这些啊,就如果说我们自己有定义的一些实体的一个类型,也就是我们的 label 啊,就也可以把它写到这个地方啊,那么大模型它就会根据啊这样的一些啊内容啊去进行这样一个提取。 那呃抽取完之后啊,我们就能够从原始的文本当中啊,去得到这个实体,还有这个编的这样一个关系啊,然后啊去构建我们的知识图谱。呃,然后的话我们来看一下,就是这个多模态的这个知识图谱啊, 我让对方有一篇文章啊,给大家看一下啊。首先我们来了解什么是多模态啊,知识图谱啊,那多模态知识图谱啊,他的概念啊,其实就是去呃通过多种数据形式,比如说文本、图片、音频、视频的方式啊,来构建一种更丰富的这样的一个知识的一个表示啊, 那么这句话我们就结合这一篇文章的话,我们来看一下啊。好,那么在这一篇文章当中啊,那么呃他就是讲的其实就是基于一个菜品的一个知识图谱啊。 好,然后我们可以来看一下啊,就是因为这篇文章的话,是那个美团的那个机构团队啊去发布的啊。好吧,就我们重点来看一下,就是这个,呃,这里面啊,他到底在讲什么内容啊?前面的这一部分的话我们就不去看了,就我们重点的话看一下,就他后面的这个,呃,结论啊, 啊,就实现了一个成果啊, ok 啊,这个就是他的一个应用啊。呃,那么在这个应用当中的话啊,那其实他要做的事情还是比较简单的,就是要从图片当中去提取对应的一个素材,那说白了就是一个目标检测的一个任务 啊,因为实验的部分我们前面跳过了,那我们看他的这个支图谱啊,他怎么去做的啊?就首先他有几步啊?那么第一步的话,首先是这个数据的一个输入, 那这个数据的输入的话,他就不再是单一的一个数据,而是图像加上我们的文本。对,那比如他在这个地方他首先是有这个文本啊,川椒蒸大虾这样的一个文本,然后他有一张对应的一个图片, 那这就是我们的数据的一个输入啊,那数据输入完成之后啊,那么首先啊,我们会去做这个文本的一个知识图谱的一个构建, 那么在这个文本的织图谱构建的这个过程当中啊,那我们能够看的就是你这个文本其实就五个字,对吧?川椒蒸大虾,那我再怎么去构建啊,那么再怎么去提取,那么首先川椒,然后大虾还有这个蒸,还有这个川, 那,那我们提取出来最终的一个,那这个关系们,那这个川椒蒸大虾,他对应的这个川椒啊是我们的食材,大虾也是食材,然后还有这个蒸,那是我们这个烹饪的一个方法,然后川代表的是菜系,对吧?这个是我们通过这个文字啊,我们能够去提取出来的这样的一些啊内容啊, 当然这些东西其实都是我们啊,可以说什么,就是你是提前啊去把这个本体建模啊,你给他做好了,然后去抽取相应的一些内容啊去构建就可以了。然后 再来到我们这个图片的这个信息的一个构建,那么在这个图片的这个信息里面,那么首先是做这个目标的检测啊,那么目标检测哎,我们就能够去得到啊,对应的这个食材,那比如说他有这个大虾,对吧?还有这个葱 啊,然后我们再去构建这个图片的这个支图谱啊,那比方说这个虾啊,那么他是这个食材嘛, 对不对?然后这个葱他也是嘛?他也是这个食材,对吧?然后虾对应的图片啊是什么样的?然后葱啊,他对应的图片啊是什么样的,那这个地方他都有,然后我们再把这两个部分啊抽取出来的这个啊图谱啊,对吧?比如文本的这个图谱,还有这个图片这个图谱,那我们再做一个什么,再做这样的一个融合, 那你做完这样的一个啊,融合之后的话,那么我们最终能够得到的就是一个文本和图片,他都有的一个多模态的知识图谱。 那之后的话,我们在进行解锁的时候啊,就可以直接啊去做图片的这个相似度的一个匹配啊,解锁出啊合适的这个图片啊,或者说你根据我们的这个啊羽翼的信息啊去进行解锁啊,都可以啊,那比方说这个啊,川椒蒸大虾,那么他的这个图像,他这个羽翼, 对吧?你给他张图片也好,给他这一个文本也好,哎,他都能够去解锁到啊这个相关的这样的一些片段啊,所以这个是多模态啊,这个知识图谱啊,那么他的这样一个应用啊, 就他能够通过啊多种的这样一个数据形式啊,能够去表达更丰富的这样的一些内容啊。 ok, 那 我们在啊不,这个到底啊要用哪一种啊?其实还是要看我们的这个实际的这样的一些内容啊, 你的需求,那如果说,呃,需要更丰富的,那我们就会用这种多模态的这样的一个形式啊。好,那我们今天给大家讲这个内容啊,我们再简单的给大家去回顾一下啊, 那么首先呢就是什么是知识图谱,然后知识图谱的这个类型啊,以及如何去构建我们的一个知识图谱啊?第一步、第二步、第三步、第四步,第五步啊,一共是五步。好,然后啊,那么我们再从这五步当中啊,最核心的第三步啊,如何提取这个实体,还有它的关系, 那我们是怎么去做的啊?从传统方法,然后到大语言模型时代啊,怎么去做?然后再接下来就我们这个 graph reg 啊,基于图谱的这个什么哎,我们的这样一个 reg 系统啊,怎么去实现的?还有这个微软的这个 reg 啊, 然后接下来就到我们这个多模态的这样一个啊,之图谱。好,那以上啊,就是我们本期视频的全部内容啊,那如果大家有需要啊,我们本节课啊所用到的软件代码,还有学习笔记资料的同学啊, 可以点个关注啊,评论区留言。那我可以全部啊,分享给大家啊,希望对大家学习大模型技术啊有所帮助啊!我是海文,我们下期再见。

孩子是不是社交看似活跃,内心却感到孤独,或者总为某段不对等的关系消耗自己?他把所有朋友都放在最好朋友的位置期待这既不现实,也会带来巨大压力。 健康的关系生态需要不同的生态位。第一步,合适化你的社交结构, 把模糊的感觉变成清晰的图谱理解,不是所有朋友都需要承担相同的情感重量。第二步,明确每段关系的功能,减少因角色错配带来的失望,让每段关系都轻松各得其所。 第三步,动态调整,保护能量。关系图谱不是固定的,要教会孩子根据感受主动调整情书,果断远离持续消耗自己的能量黑洞。清晰的社交结构能带来巨大的情感自由。 帮孩子理清关系生态,他就不再会陷入无谓的社交内耗。你有过梳理人际关系的体验吗?欢迎分享关注。别和青春期较劲,提升社交智慧!

今天来讲啊,企业如何有效的使用图谱,我们上次啊讲了很多关于图谱的构建的一些方案,包括本底的设计啊,包括 lightr j 啊,那今天呢,我们从有效的使用图谱方式的话,我们把图谱的使用了,再深入一层,我们可以理解成图谱的二点零版本。 呃,那这里边呢,我们从图谱的如何有效使用啊,包括 cipher 生成的一些致命问题和做图谱的一些思路,然后一直到最后我们程序是如何实现的?我带大家看一下,我在给企业做很多图谱的项目啊,有的是通过大模型去生成的,有的呢是企业已经有这些图谱了。 那其实呢,在这里边的话,我们发现啊,最优的一个图谱的策略呢,是我们通过用户的意图,之后呢,我们预定一些 cipher 的 一些模板,我们我们通过这些 cipher 呢拿到相应的数据,然后再结合模型的理解,包括一些其他文本的一些召回,我们给 用户一个反馈,那这样使用图谱的方式就是一个最佳方式了,那原因是什么呢?是因为每次当我们预制一个 cipher 的 时候,其实就是对我们场景的一个深入理解。 那你肯定会说啊,那现在模型时代了,你为什么不让这个 text 直接 to circle, 然后的方式去 text to cipher 呢?其实这里边的原因呢,跟我们之前讲过 text to cipher 其实是一样的,原因就是因为 你的数据口径是不一致的,再加上模型会有很多致命的一些问题,就比如说 cipher 生成的这些致命问题,包括一些语法的错误啊,当然这些下边的这些错误和幻觉的话,其实你在 text to circle 的 话, 一样也有这些问题,所以上次给大家再讲啊, text to circle 的 时候,其实也是通过预制的一一些方式,这个是在你落地图谱或者 text to circle 的 这些场景里边都是一个最佳的一个事件。 那 cipher 呢?你看它会有语法错误啊,然后会产生一些 scam 的 一些幻觉,然后而且还有可能会少一些 leap 的 一些值呢,或者是多跳无限跳这种低效的查询呢,导致一个性能灾难,这些都是模型生成 cipher 的 一些问题, 所以呢,那我们就知道了,我们上边呢,如果我们每预定一个 cipher 的 话,那它都是对图谱在此应用场景的一个深入理解,那这样的话我们场景就会越做越深,然后我们对用户的理解呢,也会越来越深。 那好,那我们再回到就是说这样的一个 schema 呢,我们肯定要知道 schema 是 什么,那这个呢,也就是说我们如果现在没有模型,刚才讲的是我们可能是有一个图谱了,我们通过这个图谱呢,我们怎么去用它?那现在问题是假设我现在没有图谱, 那我怎么来做一个图谱呢?其实这里边有一个简单的方式,就是我们的核心呢,就是把 schema 要给它约束好,就 schema 是 什么呢?就是它的实体有哪些类型,它的关系有哪些关系,那这两块的话,我们先给它预定义好, 预定义好之后呢,我们就可以知道我们图谱的范围,有实体有关系的话,我们能服务到那些场景?我们的数据口径是怎么样的? 那这样你再通过文本去提取图谱的时候,其实你自己对你的业务场景就有一个更深的一个理解,当你知道了图谱能服务哪些场景,你就可以去根据这些场景去制定域塞缝 来结合你的场景去做。下边呢是它的一个 prompt, 我 们呢在做出版的图谱的时候,我们只需要根据它的 schema 给它列出来,之后呢让它返回一个具体的一个 json 的 一个形式就可以了。 那因为我们已经知道它实体和关系的话,所以它提取的时候不会有问题的。当然这块如果不放心的话,我们可以做一个 double check, 那有了这些实体和关系的类型的话,我们就可以存在我们的 n u f j 中。然后呢我们接下来就可以使用这种 cipher 的 方式再结合我们的场景。这边有一个问题是图谱能否直接就结合我们的问答场景以后就帮我们做一些事情呢? 其实我们不要把它限制死,图谱这样的一个数据集,你还可以多路召回,比如说你一个文本的话,你可以这一块文本块呢,既当成你的 invite 向量的数据,也可以当成图谱的三元组抽取的这样的一个关系的一个数据,你召回的时候你也是多路召回的。我举个例子啊,比如下边呢,有一个关于马斯克的这样的一个 提取一些的相关的信息,那你拿到马斯克的节点信息呢?有可能是其他这些, 那你在招回这个数据和马斯克这个人的节点这个 cipher 数据的时候,其实你就有更多的上岸文信息给到模型了你,你回答的话就比其他的更全面。这是我做了很多图谱项目之后呢工程化落地最靠谱的一个方案, 原因是因为它可以将你的场景确定下来,提高你模型的准确度,而且呢也是对你业务场景的一个深入理解,希望内容对你有收获。关注雷哥,关注 ai 工程化落地。

碳三角,你想想,我们整个第五个模块,燃料第一个学的是氢气,氢气学完了学什么碳好?围绕着碳的化学性质, 你想想有哪些?第一,碳作为燃料有可燃性,可燃性就是充分燃烧,点燃生成二氧化碳,不充分燃烧 生成一氧化碳,既要配平两个氧,两个氧、两个碳,这两个反应分别将碳转换成了谁?二氧化碳利用方程式十一以及方程式十二变成了什么一氧化碳,这就是两个关键性的物质对应的方程式 出来了,这是碳。我们学的第一个性质,常温下的稳定性,因为代表他一般情况下不反应,所以我们肯定没有对应的反应和方程。第二个性质就是他的可燃性,可燃性充分不充分燃烧。第三个性质是什么?化学性质是还原性,在这里面我们学了哪些反应?第一,碳还原氧化铜,这个需要高温,他夺了氧化铜的氧, 把氧化铜变回了铜,还原了他,他得了氧以后,最终的稳定产物是二氧化碳,气体飞走了,配平 一个碳,要抢两个氧,所以需要两个氧化铜,夺了这两个氧变成了什么二氧化碳,剩下了两个铜,一氧化碳还原氧化铜,然后第二个是碳还原二氧化碳。我们说碳狠起来连自己都打,什么叫连自己都打?就连自己的得氧产物的氧他都抢。 这个基本核心原理在高中也经常出现,叫做不换寡而换不均,叫你有两个氧,我一个都没有,大家都是好兄弟嘛,对吧?所以你一个氧匀给我,在高温的条件下,你少了一个氧变一氧化碳,我多了一个氧也变一氧化碳,我们两个都是一氧化碳, 这叫什么?不换寡而换不均,这个在大量的反应类型里面都会出现这样的一个特征,就是匀一匀,然后这两个反应,你看一下反应十三,将碳变成了一氧化碳, 这又是代表了他们的转换关系,同时还是反应十四,将二氧化碳变成一氧化碳,好, 这就是这两个方程带来的关系。你看到这里,我们就把碳的性质全部研究完了,回忆一下,复习一下,我们学了碳的常温下的稳定性,可燃性充分不充分燃烧还原性,碳还原,氧化铜,碳还原,什么叫二氧化碳,对吧?当然如果题目给了你更多的信息,碳还能不能还原?其他可以,我说的就是课本上标准的内容, 对吧?然后我们接下去,我待会我跟你说,到了中考,最后你要去解决的是陌生方程式,这个我们待会来讲,什么叫陌生方程式的书写,现在先来搞定的是你需要背的方程式体系内的。好,这就是碳。碳研究完了以后,下一个物质燃料总共有三个物质,还记得吗?我在梳理这个体系的时候,氢气,碳啊,一氧化碳,一氧化碳有什么性质? 除了毒性你写不出。方程式,涉及到高中的配位公加线,高中你可以研究一下,初中呢,毒性没有方程式,那就是可燃性和还原性,所以就有了什么。第十五个方程式, 一氧化碳和氧气在点燃的条件下生成二氧化碳,要配平乘以二以及什么,这就是叫可燃性,再往下它有还原性。 还原性涉及到两个反应,一个叫什么?一氧化碳还原氧化铜,这个只需要加热,他夺了氧化铜的氧,把氧化铜变回了铜,他夺完氧以后变二氧化碳,不用加气标,因为他自己本身就是气体。还有一个最重要的是谁?双层式十七, 这个叫什么?一氧化碳还原氧化铁,在我们金属的这一张也会涉及到他工业炼铁,高炉炼铁,炼的就生铁, 在高温的条件下生成了铁单质和二氧化碳这个方程式的配平。我给你们介绍过什么讲故事法,一个一氧化碳可以抢一个氧变成二氧化碳,这里有几个氧?三个氧,所以需要三个一氧化碳抢走这三个氧,变成三个二氧化碳,剩下两个铁, 好吧,这就是一氧化碳我们所学的性质,一氧化碳的可燃性对应一个方程,还原性对应两个方程,然后通过这个可燃性看到没有燃烧变成什么?二氧化碳, 方程是十五,将一氧化碳变成二氧化碳,方程是十六,将一氧化碳变成二氧化碳,方程是十七。一氧化碳转换成二氧化碳代表了他们的关系,这就是我们在燃料这一章学到的最后一个 叫成体系的。燃料中的最后一个一氧化碳,它的可燃性,它的还原性好,学完了这三个,他们制成一套体系,回想一下下一步我们该学什么了?燃料燃烧的核心产物二氧化碳, 因为二氧化碳可以串出大量的酸碱、盐的核心方程是,所以我们要专门学个二氧化碳下去,我们就再来想想二氧化碳有什么性质,它是一个独立的体系。首先我们学的第一个就是二氧化碳会,他不燃烧,不支持燃烧,不供给呼吸,这都是废话,你都不了,也就没有方程了。学的第一个会发生的事情是会跟水发生反应,他跟水反应生成什么 碳酸,而且碳酸不稳定,易分解,这里是不是就对应两个方程是该到第几了?十八、二氧化碳溶于水,水和二氧化碳分子化合在一起变成碳酸分子,这就是十八。十九,碳酸不稳定,易分解, 分解变成了水和二氧化碳。注意这个时候要加气标反应物没气体,生成物有气体,然后注意这个反应条件加不加。看题目给的信息,题目说了加热或者正当,你就写题目,如果没说碳酸本身也能分解, 对吧?这玩意到了高中其实会写成一个可逆反应的方程,它本身是同时进行的好吧,但是这个你先不用管了, 所以利用方程是十八,二氧化碳会转换成碳酸。方程是十九,碳酸会分解变得二氧化碳,这就是对应的两个方程和他们的物 质间的关系。这我们学的第一个二氧化碳溶于水,会跟水发生反应生成碳酸,而且碳酸不稳定,易分解。好这两个学完以后再学什么?二氧化碳可以跟碱发生反应,这就是整个中考化学酸碱盐里面最核心的两个方程,结果是在燃料这里面出现的,它会跟碱发生反应 其中一个,这是第二十个方程式了,就是澄清石灰水变浑浊,清氧化钙吸收了二氧化碳生成什么碳酸钙沉淀和水,这就是澄清石灰水变浑浊,怎么浑浊的这个方程式不用配平。然后通过这个方程式你发现了什么?哎呦, 跟钙有关了,而且生成了碳酸钙。利用这个方程式二十,我们就引出了我们第三个三角的核心物质碳酸钙, 这就要开始进入到钙三角了,这是用来检验二氧化碳曾经所谓的变浑浊。那吸收和除去二氧化碳用什么?用氢氧化钠 水溶液也是碱,吸收二氧化碳变成了什么碳酸钠,因为碳酸钠现在他是在酸碱盐里面吗?他也不涉及到我们什么三角,所以我就待会我的三个三角里面就不写碳酸钠和水, 记得要配平这个反应我可以怎么样?我虽然不写碳酸钠,因为我没有必要说我生成一个碳酸钠,但是我可以把氢氧化钠写上,你看没有二氧化碳跟氢氧化钠能够发生反应, 用直线相连,这是一个很重要的反应,但是它的生成物在这三个三角里面不重要。碳酸钠既不是水三角,又不是碳三角,又不是钙三角,它属于酸碱盐里面核心的方程式。所以呢?怎么办?我们就不写碳酸钠了,我们就只是表达二氧化碳的性质,能够跟氢氧化钠发生反应,用直线相连。 十一,好吧,这两个最核心的方程是就出来了,这就二氧化碳的性质,你看二氧化碳的性质想完了吗?学完了没有?他可以跟水反应有了,然后第二个他会跟碱反应有了,第三个还有什么?二氧化碳会跟碳发生反应?这个方程是刚刚已经写过了, 二氧化碳会跟碳发生什么?氧化还原嘛?变成一氧化碳,然后这个方程是已经写过了,而且这个关系已经表达过了,这就是二氧化碳的第三个性质。看到没有?三个化学性质,第一跟水会反应,第二跟碱会反应,第三跟碳会反应。 这我目前学的具体的涉及到方程,你别说它是光核作光核作用是一个复杂的反应体系,你里面是写不出具体的方程式的,你只能说它的用途是用作光核作用。你在研究化学性质的时候,没有研究它光核作用的方程式。 好了,你看到此二氧化碳全部研究完了,至此碳三角也结束了最后一个钙三角。