Knowledge-Guided（知识引导）是一类机器学习方法的统称，指在模型训练或推理过程中显式注入领域知识（物理定律、专家规则、结构化图谱等），以约束或引导模型学习方向的技术路线。与纯数据驱动的端到端学习相比，它强调用先验知识弥补数据不足、提升泛化与可解释性，近期在科学计算、芯片设计、多模态理解和代码安全等方向都有落地尝试。
Knowledge-Guided 方法的近期进展
当前焦点与观察点
从这批工作可以看出，知识引导方法的一个明显走向是与大模型深度融合：不再局限于传统的规则注入或物理约束，而是把领域知识用于引导 LLM 的采样、推理和代码分析行为，例如 MicroEvo 的设计空间采样和智能合约漏洞检测都是这一模式的体现。
另一个趋势是向垂直专业领域渗透。从 PDE 预训练到芯片微架构，这些任务普遍存在数据获取成本高、搜索空间大的特点，恰好是先验知识能发挥杠杆作用的场景。
值得观察的问题包括：知识引导与纯数据驱动路线在效果上的边界尚缺乏统一的对比基准；知识来源（人工规则、领域模型还是 LLM 自身）的选择对不同任务的影响差异较大；此外，如何量化知识注入带来的收益、避免引入偏差，也仍是这一方向需要回应的方法论争议。