7-2 寻找大富翁

7-2 寻找大富翁 分数 25 全屏浏览题目 切换布局 作者 陈越 单位 浙江大学 胡润研究院的调查显示，截至2017年底，中国个人资产超过1亿元的高净值人群达15万人。

AI大模型知识库

而基于AI大模型构建的知识库系统，通过自然语言处理技术和深度学习算法，能够自动完成文本解析、语义关联与智能检索，使分散的知识资源形成有机网络，为企业知识管理带来革命性变革。 一、核心技术架构解析现代AI知识库采用多层神经网络结构，包含预训练语言模型作为基础层，结合领域适配微调技术实现专业术语理解。 相较于传统方案，AI大模型知识库在技术特性上展现出显著优势：语义理解深度方面，传统方案依赖关键词匹配，误差率高，而AI方案具备上下文感知能力，准确率超92%；更新维护成本上，传统方案人工录入月均耗时120h 二、典型应用场景落地AI大模型知识库在多场景落地应用，创造显著价值：智能问答机器人可7×24小时解答员工关于政策制度、操作流程的咨询，某金融机构部署后人力咨询量下降47%，提升咨询响应效率；辅助决策沙盘整合市场动态 五、未来演进方向展望随着多模态融合技术的发展，下一代AI大模型知识库将突破文本局限，实现图纸三维模型与操作视频的联动检索，拓展知识呈现与应用形式。

AI知识库的真相

这样，AI就会认真阅读所有内容，并自动生成完美结论。 然而，实际体验后，许多人发现AI知识库的效果远没有想象中理想，经常遇到各种奇怪的问题。 本文将从知识库的原理出发，探讨AI知识库的技术局限。 目前，大模型知识库最常见的技术是RAG（检索增强生成）。 当用户将资料加入知识库时，程序会先将其拆分为多个文本块。 随后，使用嵌入模型将这些文本块向量化。 以我自己的知识库为例，这里用到的嵌入模型输出的是1024维： 也就是说，每个文本块都被转换成一个由1024个数值组成的向量： 之后，程序会将向量及其对应文本存储到向量数据库中。 最终，知识库会选出与问题最相似的几个原文片段，将它们与用户的问题一同发送给大模型，由大模型进行归纳总结。 下一篇文章，我将用 Cherry Studio 搭建一个本地知识库，并详细分析这一流程的局限性。本文暂时到此为止。

PTA 7-2 符号配对（20 分）

7-2 符号配对（20 分） 请编写程序检查C语言源程序中下列符号是否配对：/*与*/、(与)、[与]、{与}。 输入格式: 输入为一个C语言源程序。

7-2 树种统计 (20 分)

本文链接：https://blog.csdn.net/shiliang97/article/details/102924532 7-2 树种统计 (20 分) 随着卫星成像技术的应用，自然资源研究机构可以识别每一棵树的种类

7-2 到底有多二

本文链接：https://blog.csdn.net/shiliang97/article/details/96301355 7-2 到底有多二 一个整数“犯二的程度”定义为该数字中包含2的个数与其位数的比值

PTA 7-2 找奇葩 (20 分)

在一个长度为 n 的正整数序列中，所有的奇数都出现了偶数次，只有一个奇葩奇数出现了奇数次。你的任务就是找出这个奇葩。

打造专属AI智能知识库

本文介绍了如何使用 DeepSeek API 打造个人 AI 知识库。此过程中需搭配嵌入模型，将知识库内容向量化，实现高效检索。DeepSeek 在获取知识库检索结果后，可以输出更清晰、准确的回答。 进入添加知识库页面后，选择已配置好的“BAAI/bge-m3”嵌入模型，输入知识库名称（如“Redis”），然后点击“确定”。 添加知识库数据 接下来可为知识库添加数据。 此时不关联知识库，直接用 DeepSeek Chat 询问“Redis 最新版本号是多少”。 可以看到 AI 给出的答案是错误的（知识停留在老版本，实际最新版已是 8.x）。 接下来，尝试关联刚刚创建的 Redis 知识库进行新一轮提问。 点击“知识库”，选择 Redis 知识库。 再次询问“Redis 最新版本号是多少”，AI 这次给出了正确答案（8.0 版本）。 总结 通过以上流程，可以高效构建个人 AI 知识库，并有效提升 AI 回答的准确性和时效性。

PTA 7-2 方阵循环右移

PTA 7-2 数字之王 (20 分)

的每个数的各位数的立方相乘，再将结果的各位数求和，得到一批新的数字，再对这批新的数字重复上述操作，直到所有数字都是 1 位数为止。这时哪个数字最多，哪个就是“数字之王”。

Obsidian 本地 AI 知识库实战指南

传统知识库用RAG模式每次提问AI都在重头找片段拼凑，而LLMWiki模式主张让AI承担将新知识提炼并“编译”成结构化、带双向链接的维基图谱，实现知识的真正复利与累积。 再配合进阶的ObsidianCLI（命令行接口），AI甚至能直接看懂你整个知识库中的网状链接关系，帮你洞察思维盲区并生成结构化的知识图谱。如何搭建AI本地知识库？ 通过这种方式，你的灵感被永久沉淀，你的知识库在日常问答中实现了二次生长。定检与审查(Lint)：AI驱动的知识库体检传统笔记的弊端在于“记完就吃灰”，内部充满了死链接和矛盾的信息。 现在你可以定期（如每周一次）对AI说。对我的知识库进行Lint审查。 记住以后让你学习，你都需要去操作我的本地知识库到这里我们AI本地知识库的搭建和使用就完成了。

腾讯乐享AI知识库产品概要

一、产品定位与核心亮点 腾讯乐享AI知识库是一款面向企业级用户的智能知识管理与应用平台，深度融合AI技术，旨在激活和利用企业私有知识资产。 智能问答与检索：基于AI的多模态理解能力，提供精准答案并支持引文溯源。 场景化AI助手：可配置专属AI代理（Agent），适应不同部门或业务线的知识需求。 场景化AI配置：可定制AI性格、知识范围、专业术语库，提升回答准确性。 学习模式：将长文档智能拆解为知识脉络，生成学习提纲和互动测试。 企业级安全：提供多级权限管控，保障知识资产安全。 解决方案：乐享AI知识库识别图片中的标记点和文字说明，生成分步骤安装指南。 成效：精准输出安装步骤，并附示意图解析，提升客服效率（来源：大会演示案例）。 解决方案：用户同时选择6个知识源，AI自动总结共性需求（如性能延迟、UI易用性）。 成效：快速生成结构化总结，标注来源文件，减少人工整理时间（来源：大会演示案例）。

腾讯乐享AI知识库产品概要

一、产品定位与核心亮点 腾讯乐享AI知识库是一款面向企业级应用的智能知识管理平台，基于大语言模型与多模态内容处理技术，构建集知识沉淀、管理、检索与应用于一体的SaaS解决方案。 其核心差异化在于深度融合腾讯生态（企业微信、腾讯会议），提供多模态内容解析与场景化AI能力，实现从“知识存储”到“知识智能应用”的转型。 腾讯云知AI问答系统 背景：腾讯内部知识库面临知识更新滞后、模型局限性问题。 解决方案：采用乐享知识库+定制化agent（专业研究、国际化agent），结合混元、deepseek等多模型优化。 解决方案：营销知识库建设。 成效：未提供具体指标（原文未详述）。 3. 科沃斯机器人（ECOVACS） 背景：营销知识管理需求。 解决方案：营销知识库建设。 成效：未提供具体指标。 4. 解决方案：营销知识库部署。 成效：未提供具体指标。 5. 清华大学、深圳大学、同济大学、西安电子科技大学 背景：高校知识管理需求。 解决方案：高校知识库建设。 成效：未提供具体指标。 6.

AI超级智能体教程（七）---RAG实战本地知识库和云端知识库

1.RAG实战–本地知识库的应用 1.1编写代码 我们的文档添加到这个向量数据库里面去： 基于我们的知识库进行问答：我们的prompt+拦截器从向量数据库里面找到的上下文，两个组合在一起，发给我们的AI ，而且这个分数越高，表示我们的本地知识库里面搜索出来的这个内容和我们的用户输入的这个提示词的吻合度是更高的； 1.3输出结果 实际上仔细观察这个输出的结果，我们的这个回答就是从我们的本地的知识库里面去找到的 ，也就是我们的那三个md文档 2.RAG实战–云端知识库的应用 2.1新建云端知识库 这个主要是使用的阿里云百炼的云端知识库的平台，下面的这个步骤是我们后续进行这个云端的知识库开发的这个基础，大家实际需要重视一下的 2.3断点调试 这个时候我们会发现这个request打断点的位置内容和刚才的本地的知识库的差别还是很大的，大家可以去回顾一下本地的知识库的，这个云端知识库应该是直接加进来了，内容还是很多的； 这个时候云端知识库检索的结果是 5个，可以喝上面的本地的知识库进行对比一下，就可以发现两个的差别；大家进行学习的时候，也可以使用这个方式，对比一下两个方式的异同点； 2.4输出结果 这个测试的结果就是从我们的知识库里面搞得，我觉得这个也是很不错的

PTA 7-2 列车调度（25 分）

7-2 列车调度（25 分） 火车站的列车调度铁轨的结构如下图所示。 两端分别是一条入口（Entrance）轨道和一条出口（Exit）轨道，它们之间有N条平行的轨道。

7-2 冒泡法排序 (30分)

将N个整数按从小到大排序的冒泡排序法是这样工作的：从头到尾比较相邻两个元素，如果前面的元素大于其紧随的后面元素，则交换它们。通过一遍扫描，则最后一个元素必定是最大的元素。然后用同样的方法对前N−1个元素进行第二遍扫描。依此类推，最后只需处理两个元素，就完成了对N个数的排序。

7-2 冒泡法排序 (30分)

7-2 冒泡法排序 (30分) 将N个整数按从小到大排序的冒泡排序法是这样工作的：从头到尾比较相邻两个元素，如果前面的元素大于其紧随的后面元素，则交换它们。

7-2 歌唱比赛计分 (15分)

7-2 歌唱比赛计分 (15分) 设有10名歌手(编号为1-10)参加歌咏比赛，另有6名评委打分，每位歌手的得分从键盘输入，计算出每位歌手的最终得分(扣除一个最高分和一个最低分后的平均分)，最后按最终得分由高到低的顺序输出每位歌手的编号及最终得分

PTA 7-2 找奇葩 (20 分)

在一个长度为 n 的正整数序列中，所有的奇数都出现了偶数次，只有一个奇葩奇数出现了奇数次。你的任务就是找出这个奇葩。

PTA 7-2 数字之王 (20 分)

的每个数的各位数的立方相乘，再将结果的各位数求和，得到一批新的数字，再对这批新的数字重复上述操作，直到所有数字都是 1 位数为止。这时哪个数字最多，哪个就是“数字之王”。