48 lines
1.5 KiB
Markdown
48 lines
1.5 KiB
Markdown
---
|
||
title: "知识树 (Knowledge Tree)"
|
||
created: 2026-05-21
|
||
type: concept
|
||
tags: ["knowledge-representation", "data-augmentation", "structured-knowledge"]
|
||
sources: ["[[kore-knowledge-injection]]"]
|
||
---
|
||
|
||
# 知识树 (Knowledge Tree)
|
||
|
||
## 定义
|
||
|
||
知识树是 [[kore-augmentation|KORE-AUGMENTATION]] 提出的**结构化知识表示**，将单个知识项展开为多层次的训练数据，形成"树干 + 树枝"的树形结构。
|
||
|
||
## 结构
|
||
|
||
```
|
||
[原始知识项]
|
||
/ \
|
||
Trunk Branches
|
||
(主干) (分支)
|
||
| |
|
||
多轮对话 指令任务
|
||
├ 启发式Q&A ├ 视觉识别
|
||
└ 对话Q&A ├ 图像描述
|
||
└ VQA
|
||
```
|
||
|
||
## 设计理念
|
||
|
||
一般的知识增强只生成**孤立的离散变体**——如把 "created" 替换为 "built"，或旋转图像。这些变体之间没有结构联系。
|
||
|
||
知识树则构建了一个**连贯的多层次结构**：
|
||
- **主干（Trunk）**通过多轮对话让模型学习知识的**上下文和推理链**
|
||
- **分支（Branches）**通过多样化指令任务让模型从**不同角度理解知识**
|
||
|
||
这种结构化设计使模型能从"数据记忆"上升到"**知识内化**"——理解知识的内在逻辑和关联，而非简单背诵。
|
||
|
||
## 与 RAG 的区别
|
||
|
||
RAG 在推理时检索外部知识；知识树在**训练时**构建结构化知识，让模型真正学会"理解"而非"查找"。
|
||
|
||
## 参见
|
||
|
||
- [[kore-augmentation|KORE-AUGMENTATION]]
|
||
- [[knowledge-internalization|知识内化]]
|
||
- [[structured-knowledge|结构化知识]]
|