RAG 相关 AI 资讯 · AITOP

7月24日

00:39

官方一手AWS Machine Learning Blog@Omar Elkharbotly

精选

经典检索在处理多部分问题时往往效果不佳。Amazon Bedrock推出了AgenticRetrieveStream API，通过智能体式检索提升复杂查询的准确性。该API支持请求构造和响应跟踪解析，相比标准Retrieve API更适合多步骤推理场景。AWS官方博客详细解释了API的工作原理和使用时机。

推荐理由：AWS给Bedrock知识库加了Agentic检索，专治多部分复杂问题，比传统API更聪明。

原文

00:16

Milvus@milvusio

75°

Milvus团队开源Vector Graph RAG库，将知识图谱的三元组（实体、关系、原文段落）存入三个Milvus集合，利用ID交叉引用实现子图扩展。在MuSiQue、HotpotQA、2WikiMultiHopQA基准上平均Recall@5达87.8%，超越HippoRAG 2的87.1%。每查询仅需2次LLM调用（重排序+生成），相比Agentic RAG的5-10次降低约60% API成本，响应速度提升2-3倍。安装只需“pip install vector-graph-rag”，默认可嵌入Milvus Lite本地文件。

AI模型 Milvus Vector Graph RAG 多跳RAG

推荐理由：Milvus团队搞了个Vector Graph RAG，用向量库替代图数据库做多跳检索，效果更好还更省钱。一次安装就能跑，适合知识密集场景。

原文

7月23日

14:46

Milvus@milvusio

Milvus 是 Apache 2.0 许可的开源向量数据库。它支持密集检索（语义向量）和稀疏检索（BM25 全文搜索及学习型稀疏嵌入）。混合搜索可同时检索密集和稀疏向量并重排序。提供 HNSW、IVF、FLAT、SCANN、DiskANN 等多种索引类型。部署支持 Milvus Lite、单机 Standalone 或 Kubernetes 原生分布式架构。

AI产品 Milvus 向量数据库混合检索

推荐理由：Milvus 一个库搞定语义搜索、全文搜索和元数据过滤，还能混合检索重排序，开源免费，做 RAG 的可以试试。

原文

09:56

官方一手arXiv: DeepSeek@Yanyu Chen, Yue Li, Yongyi Cui, Dongsheng Shi, Lichang Dai

SelectBench是一个控制性基准和训练集，用于大语言模型选择性采纳检索结果中的证据。基于Qwen3.5-4B，使用DAPO强化学习方法，通过确定性规则奖励或语义法官进行后训练。在325样本的SelectBench-v2测试集上，严格成功率从原始检查点的22.46%提升至DAPO-Rule的25.54%和DAPO-DeepSeek的26.46%。两种策略均减少了禁止内容采纳，生成了更短更聚焦的回答，但提示注入跟随能力未改善。在MMLU和干净HotpotQA上未见明显退化，表明通用能力保持。

论文 SelectBench DAPO Qwen3.5

事件专题

推荐理由：Qwen3.5用强化学习学会在污染检索中挑有用证据，成功率从22%提到26%，还不掉通用分。

原文

02:21

Jerry Liu@jerryjliu0

精选

LlamaParse 改进了文档解析中的边界框功能，现在支持区域级、行级和单词级三层边界框。用户可以根据需求选择不同粒度来对文本进行溯源，例如审计发票中的具体数字或定位研究报告中的图表。该功能已在 LlamaParse 云端服务中可用。

AI产品 LlamaParse LlamaIndex 文档解析

推荐理由：LlamaParse 更新了文档解析的边界框，支持按区域、行、单词定位文本，方便审计和研究场景。

原文

7月22日

23:36

Weaviate@weaviate_io

精选

Weaviate 推出 Engram，一种专为多智能体管道设计的“发射后不管”记忆系统。它通过三个步骤（提取、转换、提交）在后台异步处理记忆，避免阻塞和重复。在多智能体 RAG 示例中，搜索代理错误地使用文本搜索而不是类型过滤，Engram 将分散在不同代理和上下文窗口中的任务目标、动作和反馈合并为一条可操作记忆。记忆支持项目范围或用户范围，通过多租户保持隔离。系统使得智能体能从经验中持续学习，无需手动干预。

AI产品 Weaviate Engram 多智能体

推荐理由：Weaviate 的 Engram 让多智能体系统能自动从经验中学习，合并分散的反馈，不用手动处理重复和冲突。

原文

23:07

berryxia@berryxia

精选

OCR 将物理文档和图像转为电子文字，是信息抽取、RAG、Agent 等 AI 流程的入口。硬地骇客播客曾强调过这一观点，在 AI 时代依然适用。没有 OCR，后续的文本分析、问答系统难以直接处理非数字化内容。

技巧 OCR RAG Agent

推荐理由：硬地骇客播客聊透了OCR在AI工作流里的基础地位，想做RAG或信息抽取的得先过这关。

原文

01:28

Qdrant@qdrant_engine

精选

cognee的Dave Nielsen在Vector Space Day SF演讲中展示了AI记忆的进化方向：从简单提示存储到自动构建知识图谱。系统从聊天、提示、智能体交互中提取实体和关系，向量存储在Qdrant，图谱关系存储在Neo4j，实现RAG、GraphRAG与短期记忆的统一层。AI记忆正从单个智能体扩展至团队和组织，例如通过学习提示的入职系统或共享知识库。cognee与Qdrant连接器新增TurboQuant支持，对知识图谱的量化效果比常规向量存储更显著，因为图数据规模增长更快。

技巧 cognee Qdrant Neo4j

推荐理由：看看cognee怎么把RAG、GraphRAG和短期记忆揉成一个统一层，还能自动建知识图谱，团队也能共享记忆，加上TurboQuant压缩搞定海量图数据。

原文

7月21日

19:21

Qdrant@qdrant_engine

Qdrant将于7月23日在慕尼黑TNG Technology Consulting举办BASED Meetup #6，采用BarCamp和OpenSpace混合形式，无预设议程，话题由参与者现场提出。活动聚焦搜索、检索、RAG、Agentic RAG与记忆、生产级检索优化、现代搜索质量指标、多模态与跨语言搜索等。Qdrant DevRel团队成员krotenWanderung将共同主持，与会者可与其直接交流向量搜索相关问题。活动时间为18:00-21:00（GMT+2），需提前注册。

行业 Qdrant BASED Meetup 向量检索

推荐理由：在慕尼黑的话，去Qdrant的BASED Meetup #6吧，自由讨论向量搜索和RAG，直接和团队聊，不用听枯燥汇报。

原文

12:06

官方账号arXiv cs.LG@Masahiro Kato, Taka Kato

该论文提出一步法和两步法，将检索增强生成（RAG）用于因果推断中的政策学习。两步法通过向量搜索检索动作特定的邻近证据，生成器估计条件期望结果，从而连接向量搜索与最近邻匹配。他们将后悔分解为候选生成后悔和候选内选择后悔，并用最近邻估计器和Transformer的预测误差进行界限分析。一步法则直接作为策略进行评估，无需中间计算。

论文 RAG 向量搜索因果推断

推荐理由：这篇论文把RAG和因果推断结合起来，用向量搜索做最近邻匹配，还证明了理论界限，挺有意思的。

原文

11:36

官方一手arXiv: OpenAI@Navnit Shukla, Kamal Pandey, Omsankar Tiwari

精选

TurboVec基于TurboQuant的4-bit标量量化，在DBpedia OpenAI嵌入基准（d=1536, 100K-999K向量）上，Recall@5比同内存的FAISS PQ高8.5-8.9个百分点。对比HNSW（R@5=0.991）和IVF-PQ（R@5=0.840），TurboQuant无需训练即达更高召回。在Snowpark Container Services上，100K向量中位数延迟11ms，而暴力扫描为707ms。内核级过滤在10-1000租户下Recall@10为0.86-0.93，远高于后过滤的0.09-0.19。量化设计使成员推断准确率降至随机水平（50.0%），而PQ为57.3%。

论文 TurboVec TurboQuant RAG

推荐理由：TurboVec用一种新量化方法让企业RAG检索又快又安全，召回比FAISS PQ高近9个点，还能防隐私泄露。

原文

00:58

Qdrant@qdrant_engine

精选

Haystack 3.0 将 Agent 置于框架中心，内置 deep research 和 advanced RAG 两种预构建 Agent。新版本添加了 hooks 用于控制 Agent 循环，并引入 first-class skills 机制，核心代码每新增 1 行删除 3 行。Qdrant 已原生集成 Haystack 3.0，支持 dense、sparse 和 hybrid 检索。团队还提供了一个电影推荐 Agent 示例演示这一模式。

AI产品 Haystack Qdrant 智能体

推荐理由：Haystack 3.0 把 Agent 放到了中心，预装了深度研究和高级 RAG 两种智能体，Qdrant 直接支持三种检索方式，值得做 RAG 的同学试试。

原文

7月20日

21:06

Qdrant@qdrant_engine

Qdrant和Future AGI将于8月6日18:30 CEST举办线上研讨会，主题为“为什么我的RAG代理越来越差？”。内容涵盖构建RAG代理、迁移嵌入模型、去除重复和碎片化分块、添加晚期交互重排序等。每次变更前后都会对比评估分数，以验证实际效果。

技巧 Qdrant Future AGI RAG

推荐理由：想知道RAG代理为什么变差？Qdrant和Future AGI在8月6日直播调试，从构建到修复，每一步看分数变化，很实用！

原文

7月19日

14:00

官方一手marktechpost@Michal Sutter

本文介绍了10个开源无代码/低代码平台，用于构建LLM应用、RAG系统和AI智能体。每个平台均附带已验证许可证、代码仓库和最佳用例。这些工具将检索、智能体和工作流以可视化及纯英语工具形式交付。

AI产品开源平台无代码 LLM

推荐理由：想快速搭LLM或RAG应用？这份列表精选10个开源无代码工具，每个都标了许可证和适用场景，省得你一个个试。

原文

02:28

Jerry Liu@jerryjliu0

LlamaIndex 在过去 2 年投入大量工程资源，构建了可靠、准确的索引管道。该管道原生支持智能体（agent-native），并提供多种检索端点，可接入不同框架。现通过 cloud.llamaindex.ai 开放使用。

AI产品 LlamaIndex RAG 智能体

推荐理由：LlamaIndex 新出了索引管道，自带多种检索端点，做 RAG 和智能体应用会很顺手，可以试试他们的云服务。

原文

7月18日

16:06

官方一手marktechpost@Michal Sutter

Google Cloud 发布了 Always-On Memory Agent 参考实现，基于 Gemini 3.1 Flash-Lite 构建。该代理不使用向量数据库或嵌入，而是通过持续 LLM 整合将结构化记忆写入 SQLite。它包含 Ingest、Consolidate 和 Query 三个子代理，由编排器路由。这一方法直接替代了传统 RAG 和嵌入技术，实现 24/7 不间断的记忆管理。

AI产品 Gemini 3.1 Flash-Lite Google Cloud Always-On Memory Agent

事件专题

推荐理由：Google Cloud 搞了个新代理，不用向量数据库，直接用 Gemini 3.1 Flash-Lite 做记忆整合，比 RAG 更简单高效。

原文

07:24

07:24IT之家（博客/媒体）

英伟达开源推出 Nemotron 3 Embed 系列，包含 8B、1B 及 1B-NVFP4 三个版本，均支持商业使用。8B 版在 RTEB 基准上以 78.5% 得分排名第一，在 MMTEB 检索中得分 75.5%。该系列配备 32K 上下文窗口，专为 AI 智能体和 RAG 场景优化，可减少重复检索并降低 Token 消耗。1B 版通过蒸馏获得，1B-NVFP4 面向 Blackwell 架构优化，吞吐量最高提升 2 倍。

AI模型 Nemotron 3 Embed 英伟达 RTEB

推荐理由：英伟达发了三个检索模型，8B 版直接登顶 RTEB 榜首，适合做 RAG 和智能体，还能省 token。

原文

7月17日

09:40

官方账号arXiv cs.AI@Dylan Van Mulders, Matthias Bogaert, Dirk Van den Poel

该论文提出一个结合Supervised Fine-Tuning (SFT)、Direct Preference Optimization (DPO)和Retrieval-Augmented Generation (RAG)的多智能体框架，用于模拟政治联盟谈判。DPO注入攻击性政党人格，RAG将每个智能体限定在官方纲领内。在2019年佛兰德选举上部署，引入Multi-Layered Information Lineage Topology (MILT)追踪协议条款来源，以及Coalition Influence Score (CIS)聚合贡献度。三次独立模拟稳定输出N-VA领先CD&V和Open Vld的排名。基于纲领的条款溯源能可靠预测现实协议中实现的项目，而虚构内容则不能。

论文 LLM智能体多智能体政治联盟

推荐理由：这篇论文用LLM智能体模拟政党结盟谈判，设计了MILT和CIS两个新指标来追踪条款来源和影响力，在比利时选举数据上验证了有效性，对政治学和AI研究都很有参考价值。

原文

05:45

官方一手AWS Machine Learning Blog@Dani Mitchell

Amazon Bedrock Managed Knowledge Base提供简化设置、更智能检索和生产就绪三大支柱，帮助企业构建智能体搜索。文章包含设置知识库和检索的代码示例，支持从多种数据源索引。该方案基于RAG架构，可直接集成到Bedrock代理中。

技巧 Amazon Bedrock Managed Knowledge Base 企业搜索

推荐理由：AWS教你用托管知识库给智能体做企业搜索，有代码有步骤，省去自己搭RAG的麻烦。

原文

7月16日

10:48

官方一手arXiv: DeepSeek@Shunbao Li, Zhipeng Yuan, Amoako Ofori, Benedicta Y. Fosu-Mensah, Yang Li, Manu Kenchappa Junjanna, Qing Xue, Po Yang

本文提出P-EVAL评估框架，用于策略约束的大语言模型决策支持，在加纳模拟场查询数据库（1,240例）上测试。Pezego-HITL架构在P-EVAL下实现Policy Alignment Rate (PAR) 0.94，Agronomic Utility Rate (AUR) 0.95，P95延迟降低55%（从28.6s到12.9s）。通过59.6%缓存重用率实现延迟优化。在Qwen3.5-9B-DeepSeek-V4-Flash模型上泛化取得PAR 0.86，延迟降低54.5%（至10.2s）。对加纳30名推广官员和36名小农进行问卷评估，验证了实际效用。

论文 Pezego-HITL P-EVAL Qwen3.5-9B-DeepSeek-V4-Flash

事件专题

推荐理由：这篇论文搞了个P-EVAL框架来评估农业AI的安全性，Pezego-HITL架构在加纳测试，延迟降了55%，还挺靠谱的。

原文

10:39

官方账号arXiv cs.AI@Xanthi Kokkinou, Chaido Mizeli, Nafsika Koulaxidou, Marina Delianidi, Konstantinos Diamantaras

Earthquaker-AI是一种结合检索增强生成（RAG）和基于量规评估的混合教育框架，面向小学生地震应对教育。它基于Lego WeDo2机器人模拟地震响应，并通过RAG系统匹配官方指南生成安全回复。实验评估显示其高准确率和低幻觉率，量规从二维到四维渐进适应不同年级认知水平。该框架将动手实践与认知反思结合，提升技术素养和应急能力。

论文 Earthquaker-AI RAG Lego WeDo2

推荐理由：这篇论文把RAG和量规评分用在地震教育里，还搭了乐高机器人，让小学生边玩边学安全知识，挺实际的新方法。

原文

7月14日

10:38

官方账号阿里云 Alibaba Cloud@alibaba_cloud

精选72°

阿里云EMR Serverless StarRocks发布Lakehouse多模态混合检索功能，将全文搜索、标量搜索和向量搜索统一于单一SQL引擎。它直接在Paimon、Iceberg、Lance等数据湖格式上查询，无需数据迁移。支持列级写入更新嵌入或标签。内置AI函数可在SQL中生成嵌入。采用Serverless架构，按查询付费。适用于自动驾驶场景挖掘、RAG知识库和多模态电商搜索等场景。

AI产品 StarRocks Alibaba Cloud 多模态检索

推荐理由：阿里云把全文搜索、向量搜索和标量搜索统一成一个SQL，还能直接查数据湖格式，不用搬数据，搞RAG或搜索应用能省一大笔集成成本。

原文

04:15

Latent.Space@latentspacepod

精选

EngramLab 联合创始人兼 CEO Dan Biderman 在一档播客中讨论了 AI 记忆系统的未来。他提到长上下文、RAG 和压缩技术最终都会失效，而 Engram 通过将知识压缩到“知识墨盒”和模型权重中来实现持续学习。他认为令牌效率与智能密不可分，个人模型可以像电子宠物一样持续进化。EngramLab 已获 9800 万美元融资，正在为百万级持续更新的 AI 记忆构建研究和基础设施。

行业 EngramLab 连续学习知识压缩

推荐理由：想搞懂为什么长上下文和RAG不够用？EngramLab创始人亲自讲他们怎么用知识墨盒和连续学习让AI真正记住你，比传统路子更接近个人智能体。

原文

7月10日

00:40

Milvus@milvusio

精选

标准RAG管道采用先分块后嵌入的流程：分块→嵌入→索引→检索→生成，但固定长度或递归分割的分块方式存在精度与上下文的权衡。Max-Min Semantic Chunking采用先嵌入后分块模式：先用文本嵌入模型将所有句子映射到高维空间，再通过计算块内最小余弦相似度和新句子与块的最大余弦相似度决定是否合并。该方法的决策规则是：若新句子与块的最强连接大于块内最弱内部链接，则加入当前块，否则开启新块。它维护句子顺序，通过自适应大小限制和相似度阈值保持块连贯性。但因为它按顺序局部聚类，可能遗漏长文档中跨段落的远距离依赖。

技巧 Milvus RAG Max-Min Semantic Chunking

推荐理由：Milvus团队介绍的Max-Min语义分块方法先嵌入句子再依据语义决定分块边界，比传统固定长度分块更聪明，适合想提升RAG检索质量的人学习。

原文

7月9日

10:24

官方账号arXiv cs.AI@Tianming Sha, Yue Zhao, Lichao Sun, Yushun Dong

SkillCenter 是当前最大的开源技能库，包含 216,938 个结构化技能，覆盖 24 个领域。其中 114,565 个技能通过 SkillGate 过滤器从同行评审期刊、ArXiv 等 24,000+ 技术源提取，另有 102,373 个社区技能来自 GitHub 和 ClawHub。每个技能均附带源引用，确保可追溯。所有技能以离线可搜索的 SQLite FTS5 包形式发布。

论文 SkillCenter 自主代理智能体

事件专题

推荐理由：想做靠谱的自主AI代理？SkillCenter 给了21万+带原始出处的技能，从论文到代码全有，还能离线搜。

原文

00:50

Qdrant@qdrant_engine

Qdrant将于7月9日举办线上研讨会，教授如何构建能根据查询动态调整策略的检索智能体。内容包括：为每个问题选择合适检索策略（如使用ColBERT重排序和IRCoT查询分解来路由查询）、用轻量信号早期检测弱检索、以及构建STOP机制让智能体在不确定时主动放弃作答。研讨会展示了超越固定流程的检索技术。

技巧 Qdrant ColBERT IRCoT

推荐理由：Qdrant要教你做检索智能体，不是死板的固定流程，而是能根据问题调整策略，还能主动放弃乱猜，和普通Retrieval Agent不一样。

原文

7月8日

05:15

官方账号LangChain@LangChainAI

LangChain将于周四举办一场关于LLM Wikis的线上讨论会，由创始人@hwchase17主持，嘉宾包括@BraceSproul和@devstein64。活动聚焦如何利用LLM构建和维护Wiki知识库。RSVP链接为events.langchain.com/webinar/llm-wi…。目前已有1143次浏览，3次转发。

行业 LangChain LLM Wikis 知识管理

事件专题

推荐理由：LangChain创始人亲自聊LLM Wiki怎么做，想搞知识管理的不要错过周四这场。

原文

03:06

Qdrant@qdrant_engine

Qdrant Edge是一个面向边缘设备的向量数据库。该广播演示了如何在设备端通过Qdrant Edge实现检索增强生成（RAG）。设备端RAG能提升AI应用的实时性和隐私保护，降低对云端的依赖。具体实现细节未在推文中展开。

技巧 Qdrant Edge RAG 设备端AI

推荐理由：Qdrant展示了如何在手机上跑RAG，用他们的Edge产品。如果你在意隐私和离线AI，看看这个。

原文

7月7日

05:27

LlamaIndex@llama_index

精选

LlamaIndex 联合 LanceDB 推出基于 LiteParse 的混合检索方案，专门应对企业级格式混乱的 PDF。LiteParse 将 PDF 分解为页面（含文本+截图+嵌入）、文本块和提取的视觉资产三个层次，存入 LanceDB 的多模态存储中。相比传统仅依赖文本块检索的 RAG 系统，该管道允许智能体跨页面、文本块和视觉资产进行联合检索与推理。最终显著提升了 agent 检索质量与响应准确性，解锁了传统方法遗漏的信息。

技巧 LiteParse LanceDB LlamaIndex

推荐理由：LlamaIndex 和 LanceDB 教你怎么用 LiteParse 搞定那些排版混乱的企业 PDF，表格、图片里的信息也能准确被 agent 找到。

原文

02:24

Jerry Liu@jerryjliu0

LlamaIndex创始人Jerry Liu宣布全力投入构建LlamaParse，这是一款面向生产环境的文档理解服务，号称同类最佳。该服务专注于处理复杂文档，用户可直接通过cloud.llamaindex.ai使用。

AI产品 LlamaParse LlamaIndex 文档理解

推荐理由：LlamaIndex做的文档解析器LlamaParse，专治复杂文档，生产环境直接上云用。

原文

02:04

Jerry Liu@jerryjliu0

精选

Jerry Liu在AI Engineer World Fair上演讲，探讨如何为AI Agent构建文档上下文层。他分析从2023到2026年代理检索方式的演变，强调文档OCR仍是解锁上下文的关键难题。他提出代理需要提取、搜索等配套工具，并展望标准化代理原生文档格式与专业工作流。内容涵盖基于Agent的RAG优化、智能体工具集成等具体技术路径。

技巧 Jerry Liu AI Agent 文档上下文

推荐理由：Jerry Liu讲透了Agent怎么处理非结构化文档，从OCR到检索到未来工作流，全是干活，搞Agent的同学必看。

原文

7月5日

15:58

官方一手marktechpost@Michal Sutter

精选

LlamaIndex 发布 legal-kb，一个基于 Index v2 的公共参考应用，赋予智能体类似文件系统的文档知识库访问能力。它公开了 retrieve（混合语义搜索）、find、read 和 grep 四个工具，并支持自动版本管理和可视化引用。技术栈采用 TanStack Start、AI SDK 6（ToolLoopAgent）、Prisma 和 WorkOS。

AI产品 LlamaIndex legal-kb Index v2

推荐理由：LlamaIndex 这个 legal-kb 应用能像操作文件一样搜索文档，用 Index v2 和四种工具，自动版本管理，很好用。

原文

7月4日

01:42

Qdrant@qdrant_engine

Qdrant将在7月7日举办一场在线讲座，邀请Kaivid Labs创始工程师TRJ_0751演示如何用Qdrant Edge和Google LiteRT构建完全本地化的RAG管道。讲座涵盖设备端文档问答、个人AI助手、笔记语义搜索以及离线AI体验。时间定于印度标准时间20:30、欧洲中部时间17:00、太平洋时间8:00。注册链接为streamyard.com/watch/GDNR4Xtj。

技巧 Qdrant Edge Google LiteRT RAG

推荐理由：想学完全离线的本地RAG？Qdrant和Google LiteRT联手演示，从文档问答到笔记搜索，一个讲座全搞定。

原文

7月3日

20:15

Qdrant@qdrant_engine

Qdrant将于7月9日上午8:30 PT举办免费线上研讨会，主题是根据查询复杂度动态调整检索策略。议程包括：为不同查询选择合适检索策略、早期检测弱检索信号、利用ColBERT reranking和IRCoT查询分解进行路由、以及构建在不确定时主动放弃回答而非生成幻觉的代理。

技巧 Qdrant 检索代理 ColBERT

推荐理由：Qdrant教你怎么让检索代理根据不同问题自动切换策略，省去手动调优的麻烦，特别是ColBERT和IRCoT的具体用法。

原文

12:34

Milvus@milvusio

精选

Milvus 团队观察到，当 Agent 运行在 IM 中时用户使用更多且答案更好，但上下文仍缺失代码、GitHub issues、数据库记录等。MFS 为这些来源提供稳定的类文件路径，让 Agent 像工程师一样先定位再检查原始文件。MFS 将对话、团队知识和外部工具转化为 Agent 可搜索的上下文层。项目已在 GitHub 开源。

AI产品 Milvus MFS 智能体

推荐理由：Milvus 开源了 MFS，能把聊天、代码、文档全串起来给 Agent 查，不用再手工拼上下文了。

原文

11:21

官方一手arXiv: OpenAI@Leanne P. Guy, Connor Yablonski, Aaron M. Meisner, Guillem Megias Homar, Merlin Fisher-Levine, Eman E. Ali, Tiger J. Hu, Christopher W. Stubbs

该论文为NSF-DOE Vera C. Rubin天文台开发了一个基于检索增强生成（RAG）的虚拟助手原型。系统整合了操作指南、技术笔记和科学论文等分布多平台的大量异构文档。它使用Weaviate进行嵌入存储、LangChain编排查询流程、OpenAI GPT模型作为LLM后端。通过语义搜索和对话式交互，助手将回答锚定在领域知识上，减少了幻觉，提升了准确性。

论文 Rubin天文台 RAG Weaviate

事件专题

推荐理由：这篇论文用Weaviate和LangChain搭了个RAG助手，专门帮天文台员工从文档堆里找答案，很实用，不是吹概念的那种。

原文

09:52

Jerry Liu@jerryjliu0

精选

3年前，Jerry Liu在AI Engineer大会首次演讲高级RAG技术，如今该领域已演变为围绕智能体和上下文的标准化高阶抽象。当前模式包括：将检索复杂性编码到智能体层，使用简单但高效的搜索工具（如BM25、向量搜索），让智能体推理找到正确结果；越来越不关注'破解'上下文窗口，而关注业务上下文；构建智能体的方式从定义代码变为定义剧本再到定义目标。

行业 RAG 智能体上下文窗口

推荐理由：Jerry Liu回顾了RAG从3年前到现在的变化，指出检索正被智能体层取代，构建方式也变了。关注RAG和智能体发展的话，这篇总结很值得看。

原文

7月2日

10:14

官方账号arXiv cs.AI@Md Abu Hanif Shaikh, Abdullah Al Shafi

论文 RAG 多模态 LLM

推荐理由：这篇论文介绍了一个大学多模态聊天助手，用RAG把幻觉从31.7%压到6.6%，还能处理图片提问，代码也开源了。

原文

02:59

LlamaIndex@llama_index

LlamaIndex 推出 Index v2，专为法律和金融领域设计，使 AI 智能体能够自主导航大型、不断演变的知识库。配套参考应用 legal-kb 集成了 Index v2，通过 retrieve、read、grep、find 等 API 工具，让智能体自动探索和推理文档。legal-kb 提供项目级知识库、可视化引用、版本控制和数据导出功能。开发者可在 legal-kb.dev 试用，源码托管于 GitHub。

AI产品 LlamaIndex Index v2 legal-kb

推荐理由：LlamaIndex 来了 Index v2，还搭了个 legal-kb 示例，能自动查法律文档，带版本控制，做 RAG 应用可以直接抄作业。

原文

02:21

官方一手AWS Machine Learning Blog@Tanay Chowdhury

精选

HippoRAG是一种受神经生物学启发的检索增强生成方法，结合图数据库和个性化PageRank算法。文章展示了在AWS上使用Amazon Bedrock提供大语言模型能力，Amazon Neptune作为图数据库，Neptune Analytics运行个性化PageRank计算，以及Amazon Titan Embeddings生成向量表示。该实现面向企业级应用，可提升检索的精度与效率。

技巧 HippoRAG Amazon Bedrock Amazon Neptune

推荐理由：想在企业级玩转RAG？AWS用Bedrock、Neptune和PageRank搭了一套HippoRAG，让检索更聪明、更精准。

原文