AI Dev NYC 工作坊：用图连接区分检索证据的相关与适用
Neo4j 两位讲师在 AI Dev NYC 开实操课，讲 RAG 最大的坑：检索到的证据不一定适用当前场景。他们会用图数据库的实体连接缩小证据范围，还教怎么让智能体判断证据够不够。做 RAG 或 Agent 评估的工程师值得去听。
DeepLearning.AI 宣布一场 AI Dev NYC 实操工作坊，主题是 RAG 检索中一个常被忽视的缺口：检索器返回的是与问题匹配的证据，但不会判断这些证据是否适用于当前上下文。
工作坊由 Neo4j 的 Nyah Macklin 与 Jennifer Reif 主讲。内容分三部分：区分相关证据与适用证据；
利用数据间的连接关系（客户、产品、日期）缩小有效证据范围；为智能体加入何时证据足够、何时应停止的检查机制。
工作坊定于 2026 年 11 月 30 日至 12 月 1 日在纽约 Chelsea Piers 举办。
Retrieval finds evidence that matches the question. It doesn't check whether that evidence applies to the context. Nyah Macklin ( @neo4j ) & Jennifer Reif lead a hands-on AI Dev NYC workshop on closing this gap: Telling relevant evidence apart from applicable evidence Using connections across data (customer, product, date) to narrow what counts Adding checks for when an agent has enough evidence or should stop 📅Nov 30–Dec 1, 2026 · Chelsea Piers, NYC 🎟Get your tickets ai-dev.deeplearning.ai/speakers/nyah-… uE #AIDev e #DeepLearningAI A #AIEvaluation on📊 2 ⚡
本条情报归属 AITOP「技巧」核心栏目，重点聚焦北美前沿实验室与硅谷科技巨头。在跨区域产业观察坐标中，该动态直接关联「AI 开发者工具链、Coding Agent 与工程化实践」研究主线，反映出当前技术演进与商业落地的最新风向。涉及核心实体与技术议题包括：RAG、Neo4j、智能体、AI Dev NYC，读者可通过下方标签进入对应专题页查阅历史脉络与关联对比。
信源核验说明：本文原始线索采编自「DeepLearning.AI」（@DeepLearningAI），经 AITOP 多维评分管线结构化提炼。
