【Mac 实战】简单知识图谱搭建步骤详解（Neo4j + py2neo）

（1）安装neo4j

安装了Homebrew直接在终端输入以下命令即可

安装后，Neo4j 浏览器可通过 http://localhost:7474 访问。

（2）登录neo4j

【1】在登录页面填写信息：Connect URL：输入 neo4j://localhost:7687Authentication type：保持为 "Username / Password"Username：输入 neo4jPassword：首次连接时输入默认密码 neo4j点击蓝色的 Connect 按钮

【2】首次连接成功后，系统会强制要求修改默认密码：当前密码：neo4j设置一个新的安全密码（请务必记住）

【3】测试连接

连接成功后，在顶部的命令行中输入 Cypher 查询语句，例如：

2、neo4j 快速入门

【1】我们点击左边栏的星星图标，在Example Graphs中选择Movie Graph，点击运行，就会弹出一个关于电影图谱的教程

【2】创建图谱

点击灰色代码框，创建图谱的代码会自动复制到代码框

点击运行，即可看到创建的电影图谱

【3】查找

下面是一些关于查找的语句：查找名叫Tom Hanks的演员查找标题为Cloud Atlas的电影查找10个人查找在20世纪90年代上映的电影

【4】询问

后续还有一些查询语句教程不一一列举了，感兴趣的同学可以自行运行。

3、neo4j 基本操作

接下来我们以【麦当劳】为背景，用Neo4j的Cypher查询语言演示基本增删改查操作。

下面我们建立一个简单的图谱，包含两种节点和一种关系：

节点类型1：餐厅
- 属性：名称，地址，开业年份
节点类型2：产品
- 属性：名称，价格，类别
关系类型：供应
- 属性：自何时起供应

（1）增操作

【1】创建节点

【2】创建关系

（2）查操作

【1】查找所有餐厅

【2】查找特定餐厅供应的所有产品

【3】查找供应可乐的所有餐厅

因为前面没有创建这么多关系，下面只做操作语法展示

【4】多跳查询 - 查找与MC销售同类产品的其他餐厅

因为前面没有创建这么多关系，这里只做操作语法展示

【5】路径查询 - 查找两家餐厅通过共同产品产生的关联

（3）改操作

【1】更新节点属性

【2】新增节点属性

【3】更新关系属性

（4）删操作

【1】删除关系

【2】删除节点（必须先删除其所有关系）

【3】删除所有节点

通过以上麦当劳的例子，我们可以看到Neo4j的操作非常直观：CREATE/ MERGE：对应SQL的INSERT，用于创建节点和关系。MATCH：对应SQL的SELECT ... FROM，是查询的起点，用于定位图形中的模式。WHERE：对应SQL的WHERE，用于过滤结果。SET：对应SQL的UPDATE，用于更新属性。DELETE/ DETACH DELETE：对应SQL的DELETE，用于删除元素。

Neo4j的核心优势在于通过MATCH子句描述关联模式，例如(餐厅)-[供应]->(产品)，这使得查询复杂的关系网络变得简单和高效。

4、安装py2neo

py2neo 是 Python 连接和操作 Neo4j 图数据库的主要工具库，适用于需要处理复杂关系数据的应用场景。

二、数据预处理

数据预处理包括数据清洗、实体识别等步骤，目的是将原始数据转换为适合构建知识图谱的格式。

1、数据清洗

数据质量要求：补全缺失值：对于明显缺失的信息（如设备型号），可以标记为【缺失】或根据上下文推断。格式标准化：将日期统一为【YYYY-MM-DD】格式。去除重复值：删除重复的条目

2、知识建模

我们需要从业务角度理解数据，设计出合理的图谱结构。（1）识别实体

实体是知识图谱中的【节点】。在我的数据集中，可以识别出以下主要实体类型：订单记录：核心实体，每一笔订单就是一个销售事件。产品：订单中的商品。例如，“生日蛋糕”、“马卡龙”、“手冲咖啡”。数据中【产品名称】和【产品类别】是其属性。配方标准：制作产品的依据和标准。数据中【配方名称】、【配料序号】、【制作要点】等是其属性。客户反馈：客户对订单或产品的评价与建议。促销活动：与订单关联的营销方案。门店：订单发生的背景。

（2）识别实体属性

属性是描述实体的键值对。订单记录 的属性：下单时间、订单描述、订单金额、是否加急、订单状态、支付方式、配送地址。产品的属性：产品名称、产品类别、规格、单价、保质期、产品编号。配方标准 的属性：配方名称、配料序号、制作步骤、所需时间、适用产品。客户反馈 的属性：反馈内容、评分。促销活动 的属性：活动名称、折扣力度、适用条件。门店的属性：门店地址、营业时间、联系电话。

（3）识别关系

关系是连接实体的边，是图谱价值的体现。门店 -- 提供 --> 产品订单记录 -- 产生于 --> 门店订单记录 -- 包含 --> 产品订单记录 -- 触发 --> 促销活动订单记录 -- 收到 --> 客户反馈产品 -- 依据 --> 配方标准配方标准 -- 适用于 --> 产品

三、搭建知识图谱

下面代码为简化后的模板代码，需要根据自己的数据集进行修改后再运行。

运行后效果如下图：

多源融合定位入门到精通：无人机GPS/北斗标定、抗干扰与精度提升全攻略

在工业无人机的所有性能指标中，定位精度是决定任务价值的核心。巡检需要精准悬停、测绘需要厘米级定位、返航需要米级落点、安防需要稳定跟踪。然而绝大多数团队都会遇到：定点飘、航线弯、信号弱、高楼丢星、磁场干扰、返航偏差大等问题。很多人将这些问题归咎于 GPS 模块质量差，实际上，80% 的定位问题来自安装不规范、环境干扰、未做融合标定、多传感器不同步、坐标系不统一。一、定位为什么会飘？底层原理科普无人机定位依靠卫星信号（GPS、北斗、GLONASS），但现实环境充满干扰因素：信号遮挡：高楼、树木、桥梁、山体遮挡卫星信号。多路径反射：信号经地面、墙面反射后产生虚假位置。电磁干扰：电机、电调、电源、数传产生磁场干扰。传感器不同步：GPS、IMU、罗盘时间戳不一致。未现场标定：出厂参数无法适应实际环境。

利用 Claw Cloud Run 免费应用部署前端网页

一、注册 1. 使用注册180天的github账户注册Claw Cloud账户，可获得每月5$的免费配额 2. 官网链接 - https://run.claw.cloud/ （ps：直接github账号登录应该就不用写了吧）二、创建应用开启外部访问 CPU选0.1即可，当然大点也没问题，就是费用多点点击Create App 打开App Launchpad 三、查看Nginx信息，挂载空间部署 1. 确认update重启挂载空间关闭控制台点击update 最下方选择local Storage挂载空间（默认的就填上面查到的，改配置文件的就填你选择的路径） cd进入目录下通过配置文件查看Nginx默认路径（当然你也可以自己改，到时候换个地方挂载就好）输入nginx -t查询Nginx配置文件信息点进刚刚创建的App，拖到最下面打开控制台（旁边的文件夹是要挂载之后才有的）四、上传文件点击控制台旁边的文件图标，将打包后的文件上传即可

基于Qwen3-VL-WEBUI的视觉语言模型实战｜快速部署与微调指南

基于Qwen3-VL-WEBUI的视觉语言模型实战｜快速部署与微调指南 1. 引言：为什么选择 Qwen3-VL-WEBUI？随着多模态大模型在图像理解、视频分析和跨模态推理等领域的广泛应用，高效、易用且可定制化的视觉语言模型（VLM）部署方案成为开发者和研究者的迫切需求。阿里云推出的 Qwen3-VL-WEBUI 镜像，正是为此而生。该镜像内置了目前 Qwen 系列中最强大的视觉-语言模型 —— Qwen3-VL-4B-Instruct，集成了先进的视觉编码能力、长上下文处理机制以及代理式交互功能，支持从边缘设备到云端服务器的灵活部署。本文将带你： - ✅ 快速部署 Qwen3-VL-WEBUI 镜像 - ✅ 掌握基于 ms-swift 框架的微调全流程 - ✅ 实现自定义数据集下的指令微调与推理服务发布 - ✅ 提供避坑指南与性能优化建议无论你是 AI 工程师、科研人员还是技术爱好者，都能通过本指南实现“开箱即用 + 深度定制”的双重目标。 2. 环境准备与镜像部署 2.1 部署 Qwen3-VL-WEBUI

Qwen3-VL-WEBUI视频理解能力实测：256K上下文部署实战

Qwen3-VL-WEBUI视频理解能力实测：256K上下文部署实战 1. 背景与技术定位随着多模态大模型在视觉-语言任务中的广泛应用，对长上下文、高精度视频理解和复杂空间推理的需求日益增长。阿里云推出的 Qwen3-VL 系列模型，作为 Qwen 多模态家族的最新一代产品，标志着从“看懂图像”向“理解动态世界”的关键跃迁。该系列基于开源项目 Qwen3-VL-WEBUI 提供了便捷的本地化部署方案，内置 Qwen3-VL-4B-Instruct 模型版本，支持单卡（如 RTX 4090D）即可运行，并原生支持高达 256K token 的上下文长度，可扩展至 1M，适用于长时间视频分析、文档结构解析和复杂代理任务执行。本篇文章将围绕 Qwen3-VL-WEBUI 的实际部署流程、256K 长上下文处理能力、视频理解表现及工程优化建议展开深度实测，帮助开发者快速掌握其核心能力与落地路径。 2. 核心功能与技术升级详解 2.1 视觉-语言能力全面增强 Qwen3-VL

一、Neo4j图数据库

1、neo4j 安装 - mac brew版