全部 AI 动态 · AI 热点

6月28日

21:45

shao__meng@shao__meng

精选

LoanLens基于LandingAI构建，从6类借款人文档中结构化抽取字段，进行姓名一致性TF-IDF比对（相似度低于0.95告警）和护照篡改检测（比对核心组件位置与参考几何）。评分模型透明可解释：信用权重23%、DTI 23%、收入时效20%等，总分≥60批准，40-59复核，<40拒绝。系统附带仅限当前案件的RAG问答，支持字段溯源与人工检查。

AI产品 LandingAI LoanLens 欺诈检测 RAG 文档理解

推荐理由：这套LoanLens系统把审贷初筛自动化，用结构化字段和可解释评分替代黑盒OCR，欺诈检测能抓文档篡改，审核员能直接查每个字段的证据。

原文

6月26日

11:39

11:39IT之家（博客/媒体）

Mistral AI 于6月23日发布OCR 4文档识别模型。该模型支持横跨10个语族的170种语言，在OmniDocBench基准上获得93.07分，优于GPT 5.5 Pro和Gemini 3.1 Pro Preview。OCR 4提供边框、区域分类和置信度评分，并支持RAG语义分块等下游任务。基础API定价每千页4美元，批处理可享50%优惠。

AI模型 Mistral AI OCR 4 多模态文档识别 RAG

推荐理由：Mistral出了新OCR模型，支持170种语言，评分比GPT和Gemini都高，处理文档识别可以试试它。

原文

08:00

Qdrant@qdrant_engine

Qdrant联合Kaivid Labs创始工程师Tarun演示如何构建完全离线的RAG系统，使用Qdrant EDGE进行轻量级设备端向量搜索，搭配Google LiteRT通过硬件加速运行语言模型，实现文档问答、个人助理和笔记搜索，无需任何云依赖。活动时间为7月7日，包含现场实操。

技巧 Qdrant EDGE Google LiteRT RAG 本地推理向量搜索

推荐理由：教你用Qdrant EDGE和Google LiteRT搭一个完全离线的RAG系统，文档问答、个人助理全在本地跑，再也不用担心隐私和联网了。

原文

04:42

Gary Marcus@GaryMarcus

精选

一项使用1720亿token的测试发现，LLM在文档问答中无法完全避免幻觉。最佳模型在32K上下文编造答案率为1.19%，强模型通常为5%-7%，中等模型约25%。当上下文扩展到200K时，所有模型编造率至少10%。研究表明幻觉不仅源于检索失败，模型在事实缺失时仍过度自信回答。

论文 LLM 幻觉文档问答上下文长度 RAG

推荐理由：别以为用文档就能让LLM老老实实回答，1.19%的幻觉率也是定时炸弹，尤其长上下文风险更高。

原文

00:36

Milvus@milvusio

精选

单个1-5分的RAG质量评分会隐藏严重问题：一个回答90%基于文档，但10%虚构核心参数就不可用，平均分仍显示4分。幻觉分布也不均匀，数值查找或多条件问题类型的幻觉率远高于平均，不按类型分桶就看不到偏差。优化答案相关性时，添加提示词“提供更完整背景”可能提升相关度但导致模型依赖参数知识，降低忠实度。更可靠的方法是声明级评估：将回答拆成原子事实，用NLI模型检查每个声明是否被检索内容支撑，计算接地率，并对关键参数设置硬性阻断。按问题类型分桶评分，Milvus可用标量字段直接过滤分析，不依赖额外报表管线。

技巧 RAG Milvus 评估幻觉声明级评估

推荐理由：如果你在用RAG做生产系统，这篇讲透了为什么平均分不靠谱，还给了按声明颗粒度和问题类型精准监测的方法，连Milvus怎么分桶都说了，很实用。

原文

6月25日

17:28

berryxia@berryxia

这篇帖子介绍了构建AI智能体的6个核心架构支柱和1个人机协同机制。MCP由Anthropic提出，作为通用标准让智能体即插即用外部工具。智能体循环包括感知→思考→行动→观察→重复的流程。单体与多智能体架构两种模式可灵活选择。智能体驱动的RAG动态路由查询并验证上下文。人机协同机制（HITL）在关键操作前插入人工检查点。

技巧 MCP Anthropic 智能体智能体循环 RAG

推荐理由：想搭AI智能体但怕底层理论？这篇用7个点讲透架构，从MCP到记忆系统，普通开发者也能快速落地。

原文

09:40

arXiv: OpenAI@Nikolaos D. Tantaroudas, Ilias Karachalios, Andrew J. McCracken

论文介绍了Falco eleonorae，一个面向希腊小岛农民的双语（希腊语主、英语次）对话式AI助手。系统利用OpenAI GPT-5家族模型进行回答生成，并通过MCP工具查询本地作物、季节性日历、方言词汇等结构化数据。它支持语音输入（使用欧盟流式语音转文字服务）和图像描述（由视觉模型处理），并设计为渐进式Web应用以适应低带宽环境。作者论证，对于资源受限的农村部署，这种托管式检索增强方案比自托管模型更可靠且更易实现。

论文 Falco eleonorae GPT-5 MCP/工具多模态 RAG

推荐理由：OpenAI的GPT-5给希腊农民做了个接地气的AI助手，能说方言、看图、查作物日历，比通用聊天更实用。

原文

06:22

Ate-a-Pi@svpino

精选

Lena开源了一个RAG助手，用于导航航空公司政策，包含完整源代码和视频讲解。该应用使用LangChain构建检索管道，LangGraph管理对话状态，通过pgvector在Postgres中存储嵌入。项目还使用Terraform部署基础设施，索引文档以将答案锚定在源文本上。开发者可以从中学习具体的工程决策和实现细节。

技巧 LangChain LangGraph pgvector RAG 开源项目

推荐理由：Lena把整个RAG应用的源码和讲解视频都开源了，用LangChain+LangGraph搭建，还用了pgvector和Terraform，想学RAG实战的可以直接拿走。

原文

00:15

Milvus@milvusio

精选

Milvus团队指出LLM在RAG中频繁引用了不支持的来源。引文失败分为两类：忠实性错误（生成内容与检索文档不符，如模型声称150W功耗但文档只说低功耗）和引文准确性错误（元数据映射错误、缺失引用、幽灵引用、弱支持引用、过度引用）。其中幽灵引用常因索引重建后ID过期导致。修复方案因错误类型而异：忠实性问题调整生成层约束或基座模型，引文准确性问题需工程层修复元数据管理。

技巧 RAG 引文忠实性检索增强生成 Milvus

推荐理由：别总怪模型了，很多引文错误出在工程层。这篇文章帮你分清五种引文故障，对症下药。

原文

6月24日

07:48

marktechpost@Asif Razzaq

精选

Mistral AI 于2026年6月23日发布 OCR 4，从纯文本提取升级为结构化文档输出。每个文本块返回边界框、类型分类以及每页和每词的置信度分数。该模型支持170种语言，可在单个自托管容器中运行，通过单一API端点向RAG、智能体和企业搜索管道提供可引用的输入。

AI模型 Mistral OCR 4 RAG 智能体企业搜索

推荐理由：Mistral 出了 OCR 4，能提取带边界框和置信度的结构化内容，方便直接用于 RAG 和搜索，支持170种语言还自托管，很实用。

原文

01:00

AWS Machine Learning Blog@Yuan Tian

这篇博客展示如何用Amazon Bedrock AgentCore构建一个对话式蛋白质研究助手。它通过自然语言解析提取结构化搜索参数，基于蛋白质语言模型进行向量相似性搜索。搜索结果会自动生成AI科学摘要，无需手动编码查询逻辑。整个过程涵盖查询解析、向量检索和摘要生成三步。

技巧 Amazon Bedrock 蛋白质研究智能体 RAG

推荐理由：想建一个能聊蛋白质研究的智能助手？这篇教程用Bedrock AgentCore教你搞定，自动解析问题、向量搜蛋白质，还能生成摘要。

原文

6月21日

14:55

marktechpost@Sana Hassan

精选

本教程使用 Crawlee for Python 搭建完整的网页爬取工作流。通过 BeautifulSoupCrawler、ParselCrawler 和 PlaywrightCrawler 分别爬取静态与动态内容，提取标题、元数据和产品字段。教程还演示如何构建链接图，并将数据导出为 JSON、CSV 以及 RAG 就绪的 JSONL 分块文件。最后附带 robots 处理与截图功能，从设置到 AI 输出一步到位。

技巧 Crawlee Python BeautifulSoup Parsel Playwright 爬虫 RAG

推荐理由：想用 Python 从零搭一套能把网页内容直接喂给 RAG 的爬虫管道吗？这篇保姆级教程教你用 Crawlee 搞定 robots、截图和分块导出。

原文

02:23

Harrison Chase@hwchase17

技巧 LangChain LangGraph RAG deepagents 智能体教程

推荐理由：这个课程10小时，手把手教LangChain和LangGraph，还讲了RAG和guardrails，想学智能体开发可以看看。

原文

6月19日

09:53

arXiv cs.LG@Ali Asaria, Tony Salomone, Deep Gandhi

论文使用Qwen2.5-7B-Instruct对比了零样本、仅SFT、仅RAG和SFT+RAG混合四种方法在安大略住宅租赁法条文引用上的效果。混合方法以0.481精确匹配（节+条）取得最高分，且将幻觉降至零。SFT提升了高召回候选集中条款选择的鲁棒性，而仅用bge-small嵌入就超越了更大专用检索模型。扩大训练集未带来提升，0.70目标尚未达到。

论文 Qwen2.5-7B RAG SFT 零幻觉法律引用

推荐理由：这篇论文用Qwen2.5-7B做了个四路对比，发现微调加检索混合方案在法条引用上精确匹配0.481还零幻觉，比纯微调或纯检索都强，而且用轻量bge-small就够用。

原文

09:37

arXiv: OpenAI@Jose Manuel Suarez, Luis Mariano Bibbo, Joaquin Bogado, Alenandro Fernandez

论文提出一种结合大语言模型与检索增强生成（RAG）的混合方法，自动迁移Qiskit代码版本。该方法利用自动生成的迁移场景分类作为结构化的版本特定知识源。实验评估了Google Gemini Flash-2.5和OpenAI Gpt-oss-20b两种模型，在限制性检索方案下显著减少幻觉，提升描述质量。Google Gemini Flash-2.5在检测复杂重构场景中表现更优。研究证实了数据驱动方法在量子软件工程中的潜力。

论文 Qiskit 代码迁移 RAG Google Gemini Flash-2.5 量子软件工程

推荐理由：量子开发者福音！用LLM+RAG自动搞定Qiskit代码跨版本迁移，减少手动返工。Google Gemini Flash-2.5效果最佳，值得看看。

原文

06:02

Dify@dify_ai

Dify指出企业AI项目常犯的错误是花数月时间重建模型编排、知识检索、监控、权限等底层平台。一个生产就绪的AI平台应直接提供模型灵活性（可切换供应商）、内置RAG（基于自有数据）、工作流编排（业务人员可读）以及监控与访问控制。这样IT团队就能专注交付业务价值，更快将更多应用推上线。

技巧 Dify 企业AI AI平台 RAG 工作流编排

推荐理由：Dify告诉你别重复造轮子，用现成平台更快把AI应用推上线，专注业务价值少踩坑。

原文

6月18日

19:25

Dify@dify_ai

76°

Dify 宣布 MongoDB Atlas 和 Voyage AI 原生接入其工作流。MongoDB Atlas 提供数据存储层，Voyage AI 通过嵌入和重排序提升检索质量。Dify 编排智能体和工作流层，用户无需自建基础设施即可构建 RAG 应用。MongoDB 团队还贡献了一个可直接使用的 RAG 模板，已上线 Dify 模板市场，帮助团队快速从想法到可运行应用。

AI产品 Dify MongoDB Atlas Voyage AI RAG 智能体

推荐理由：Dify 现在原生集成了 MongoDB Atlas 和 Voyage AI，做 RAG 不用自己拼基础设施了，还有现成模板，搞知识助手或推荐智能体更省事。

原文

6月17日

09:31

arXiv: DeepSeek@Esteban Schafir, Xu Zheng, Hojat Allah Salehi, Zhuomin Chen, Mo Sha, Wei Cheng, Dongsheng Luo

精选

DecoSearch是一个无需训练的Text-to-SQL框架，通过轻量级Schema Selector修剪数据库模式，LLM Judger判断查询是否需要分解为DAG子问题。在BIRD上达到70.53%执行准确率，在Spider上达88.31%，使用DeepSeek作为骨干模型，比训练无关基线消耗少一个数量级的token。该方法还可作为模型无关包装器，一致提升微调后的SQL生成骨干性能。

AI模型 DecoSearch DeepSeek Text-to-SQL 推理模型 RAG

推荐理由：DecoSearch不用训练就能把自然语言转SQL，在BIRD和Spider上准确率分别超70%和88%，比同类方法省十倍token。想提升SQL生成效率可以看看。

原文

01:31

Martin Fowler@martinfowler

Martin Fowler 与 Bayer 合作，使用 AI 帮助制药研究人员从大量 PDF 报告中查询数十年的信息。Sarang Sanjay Kulkarni 描述了从关键词搜索到能够起草监管报告的研究助手的演进过程。该文章详细介绍了如何构建可靠的 AI 查询系统，提升制药研发效率。

技巧 Bayer Martin Fowler RAG PDF查询监管报告

推荐理由：Martin Fowler 分享了和 Bayer 合作的 AI 应用，能从海量 PDF 里找到信息甚至帮你写报告，挺实用的

原文

6月16日

20:46

AITOP6月16日 20:46

600亿美元买下Cursor，xAI终于拿到了编程工具，但真正值得跟踪的或许不是AI

16:28

marktechpost@Asif Razzaq

精选

Google Cloud发布Open Knowledge Format (OKF)，一种供应商中立的Markdown规范，旨在让AI智能体获取经过策划的上下文知识。OKF采用bundle结构——包含YAML frontmatter的Markdown文件目录，每个概念只需指定type字段。该规范遵循三个核心设计原则，并附带参考实现工具。与传统的RAG（检索增强生成）不同，OKF强调知识的结构化与策划，而非纯向量检索。官方还提供了可运行的Python消费示例和交互式bundle探索工具。

行业 OKF Google Cloud AI Agent Markdown RAG

推荐理由：Google Cloud搞了个OKF，用Markdown加YAML给AI Agent喂知识，比RAG更结构化。有代码和工具可直接上手。

原文

09:52

arXiv cs.LG@Weihang Su, Jiacheng Kang, Jingyan Xu, Qingyao Ai, Jianming Long, Hanwen Zhang, Bangde Du, Xinyuan Cao, Min Zhang, Yiqun Liu

论文提出ReGrad（Retrievable Gradients）范式，将梯度视为可检索的知识单元。方法预先离线计算文档特定梯度并存入索引梯度库，推理时仅检索查询相关梯度进行临时权重适应。为解决原始语言建模梯度不适于查询驱动知识使用的问题，引入双层元学习目标重塑梯度为通用适应信号。实验在通用和领域特定设置中表明，ReGrad优于CPT和RAG基线，实现可扩展且可逆的参数化知识注入，不累积权重漂移。

论文 ReGrad CPT RAG 持续学习可检索梯度

推荐理由：这篇论文提出了ReGrad，把梯度当知识存起来，推理时才取用，不破坏原有模型参数，效果比CPT和RAG都好。

原文

6月12日

21:51

Qdrant@qdrant_engine

本文介绍如何使用 Qdrant 和 Evret 构建检索系统评估流程，涵盖构建基准、衡量检索质量、评估相关性和排序性能，以及超越“看起来有效”的测试。随着 RAG 和检索系统在生产 AI 应用中日益关键，评估变得与检索本身同等重要。

AI产品 RAG 检索系统评估 Qdrant Evret

推荐理由：做 RAG 或检索系统的开发者终于有了可落地的评估方法论——Qdrant + Evret 的组合让你从“感觉还行”到“数据说话”，建议直接跟着指南搭建你的评估流水线。

原文

12:57

AITOP6月12日 12:57

Claude代码里藏了个20260612，18个月后的AI记忆革命已经开始倒计时

01:32

Weaviate@weaviate_io

Weaviate 推出了包含 7 个可运行演示的新 playground，涵盖 AI 记忆、欺诈检测、电商搜索、聚类分析、向量搜索对比、护肤推荐和智能体决策树等场景。每个演示都提供可直接复制粘贴的提示词，方便开发者快速上手构建。其中 Engram 演示展示了 AI 智能体的持久记忆能力，能跨对话回忆事实和摘要；欺诈检测演示则通过查询智能体将自然语言问题转化为结构化查询，发现交易模式。Weaviate 还推出了免费永久层，鼓励开发者免费开始构建。

AI产品 Weaviate 向量数据库 RAG 智能体演示/Playground

推荐理由：做 AI 应用和智能体开发的团队，可以直接用这些演示模板快速验证想法，尤其是 Engram 的持久记忆和欺诈检测的查询智能体，值得立刻试试。

原文

6月11日

15:28

AITOP6月11日 15:28

1107 vs 303：谷歌悄悄开源了一个“拆打字机”的模型，把大模型速度翻了4倍

15:23

AITOP6月11日 15:23

DiffusionGemma颠覆文本生成？自回归模型的“统治”要结束了

15:07

AITOP6月11日 15:07

每秒1107个token，Google开源的扩散模型为什么能改变本地推理格局？

6月10日

22:17

Qdrant@qdrant_engine

精选

该项目利用 Qdrant Edge 的向量搜索和边缘 RAG 技术，在不训练自定义机器学习模型的情况下实现火灾检测。系统将实时传感器读数与本地已知模式进行比对，实现快速、隐私优先的本地推理。这种方法避免了训练和维护专用模型的负担，适合资源受限的环境。项目展示了边缘计算与向量搜索在实时异常检测中的创新应用。

AI产品 Qdrant Edge 向量搜索边缘计算火灾检测 RAG

推荐理由：做物联网或边缘计算的开发者可以省去模型训练的麻烦——Qdrant Edge 的向量搜索直接匹配已知模式就能检测火灾，隐私和效率都兼顾，值得试试。

原文

16:52

Geek@geekbb

一位 AI 观察者感叹技术迭代速度惊人，RAG、MCP、提示词工程等概念在短短时间内已显得过时。这反映了 AI 领域创新周期急剧缩短，新范式不断涌现。对于从业者而言，持续学习和适应成为必备能力。

行业 AI 趋势技术迭代 RAG MCP 提示词工程

推荐理由：这条推文戳中了 AI 从业者的焦虑点——技术淘汰速度比想象中更快，做 AI 产品或研究的团队看完会有感触，值得停下来反思自己的技术栈是否还跟得上。

原文

6月9日

15:14

Jerry Liu@jerryjliu0

LlamaIndex创始人Jerry Liu在X上提出，Agent文件系统正在成为新的RAG模式。他认为这一趋势将持续并变得更加稳健。Agent不仅需要读取和搜索文档的工具，还需要完整的基础设施和应用层来生成新文件、与人类协作、组织和管理信息。Jason Goodison补充说，为Agent构建无服务器文件系统是一个价值10亿美元的机会。这反映了AI Agent从单纯检索向主动文件管理和协作的演进。

AI产品 Agent文件系统 RAG AI Agent 基础设施协作

推荐理由：如果你在构建AI Agent或关注其基础设施演进，Jerry Liu的这个观察点明了下一个关键方向——Agent需要自己的文件系统来管理生成和协作。做Agent框架或应用的开发者值得关注这个趋势。

原文

12:49

arXiv cs.AI@Hudson de Martim

精选

本文指出，检索增强生成（RAG）在法律AI中的失败并非简单的模型幻觉，而是概率检索与法律知识层次、时间性和制度结构之间的架构不匹配。作者从法律理论出发，提出法律知识具有层次性、动态性和因果可追溯性三个本体论属性，并对应识别出三种检索病理：整体性盲视、历时性盲视和因果不透明性。通过分析现有方法，作者认为它们未能将这些要求视为共同构成性因素，并提出了四个确定性设计方向：本体优先、事件具体化、双时正确性和确定性交互协议。该框架主要关注法律规范适用问题，而非下游任务。

论文 RAG 法律AI 知识检索架构分析确定性设计

推荐理由：法律AI从业者终于有了一个严肃的理论框架来理解RAG的失败原因——不是模型不够大，而是检索架构与法律知识的本质不匹配。做法律科技或合规自动化的团队，建议仔细读读这篇，能帮你避开很多坑。

原文

10:29

arXiv: DeepSeek@Jianguo Zhu

精选

研究者发现了一种针对检索增强生成（RAG）系统的新型间接提示注入攻击模式，称为DACSI（文档作者控制信号冒充）。攻击者通过编写看似元数据、来源或策略信号的文档文本，让模型误将其视为可信的控制指令，从而绕过安全边界。该攻击无需显式命令，利用RAG将用户查询、检索文档和系统标签混合到同一自然语言提示中的设计缺陷。在DeepSeek V4 Pro、Qwen3.5-397B等6种模型上的实验表明，该攻击在多数模型上有效，尤其在高易感性设置中。研究建议通过源/通道分离来缓解此类攻击。

论文 RAG 提示注入安全攻击 DeepSeek Qwen

推荐理由：RAG系统开发者需要警惕这种低成本、隐蔽的间接注入方式——它不依赖命令，而是冒充元数据，做AI安全的团队建议仔细看论文中的缓解方案。

原文

6月6日

00:48

Milvus@milvusio

Milvus 3.0 是该项目自启动以来最重要的架构更新，引入了数据湖原生向量索引和查询能力，突破了传统 top-K 搜索限制。核心维护者 Li Liu 和 Jiang Chen 将在 6 月 8 日的网络研讨会上详解设计决策、新特性以及如何驱动 Zilliz Vector Lakebase。研讨会包含 15-20 分钟 AMA 环节，适合构建 RAG、多模态搜索、推荐系统和 AI 智能体记忆的开发者。无法参加直播可注册获取回放。

AI产品 Milvus 向量数据库数据湖 RAG Zilliz

推荐理由：Milvus 3.0 解决了数据孤岛和 schema 演进等痛点，做 RAG 或向量搜索的团队值得关注这次架构升级的细节。

原文

6月4日

12:09

arXiv: DeepSeek@Jianguo Zhu

精选

本文研究了在上下文增强的语言模型系统中，使用不同话语角色标签（如 Reference:、Evidence:、Instruction:、Note:、Example:）对模型行为的影响。通过设计 500 个 MMLU-Pro 项目的配对固定内容探针，每个项目在相同误导性断言下使用不同标签，测量模型输出错误选项的采纳率。在 GPT-5.5、DeepSeek V4 Pro、Llama-3-8B-Instruct 和 Qwen2.5-7B-Instruct 上，误导采纳率变化达 56-84 个百分点。Instruction: 和 Reference: 等绑定或来源类标签导致高采纳，而 Example: 则持续抑制采纳。边界探针显示算术任务降低采纳率，嵌套标签冲突表明示例性框架可限制采纳范围。结论是上下文利用和 RAG 基准应报告并控制包装标签，因为呈现方式会改变对提供上下文的依赖度量。

论文语言模型上下文利用 RAG 标签影响误导采纳率

推荐理由：这篇论文揭示了标签选择能显著改变模型对误导信息的采纳率（最高差 84 个百分点），做 RAG 系统或上下文增强应用的开发者需要警惕：你用的标签可能无意中放大了错误信息的影响。建议点开了解如何控制这一变量。

原文

6月3日

23:35

Milvus@milvusio

固定长度分块将文档切成512或1024 tokens的块，但可能把完整答案切半导致检索不完整。滑动窗口分块用50-100 tokens重叠避免断句，但会产生重复块挤占检索结果。语义分块按段落、标题或章节分割保持语义完整，但只适用于格式规整的文档。Milvus建议对技术文档用语义分块+滑动窗口兜底，对话记录用大重叠固定分块，API文档按章节分块。

技巧 Milvus RAG 文档分块检索增强生成

推荐理由：Milvus教你按文档类型选分块方法

原文

10:51

Weaviate@weaviate_io

精选

Weaviate 指出，RAG Agent 在生产环境中的成败不取决于模型，而取决于系统设计的四个基础层：安全、检索、指令和护栏。许多团队止步于演示阶段，但实际部署中会出现幻觉、输出不一致、安全漏洞等问题。可靠的 Agent 需要在这些层面进行严格设计，才能从演示变成真正可信的系统。文章提供了免费技术指南，涵盖高级 RAG 技术、工作流架构和安全实践。

AI产品 RAG Agent 系统设计安全生产部署

推荐理由：做 RAG 应用的团队别再只盯着模型了——这篇把生产环境踩坑的四个关键层讲透了，建议做 Agent 架构的开发者点开看看，能省不少试错成本。

原文

01:41

Milvus@milvusio

RAG系统上线后召回率下降，常见原因包括：索引过期（新文档加入、旧文档修改或删除，但向量索引未更新）、嵌入模型变更（如OpenAI更新模型导致新旧向量不匹配）、用户提问方式变化（用户群体和产品变化导致查询分布偏移）。此外，测试集可能已偏离真实场景，掩盖了召回率下降的问题。这些因素会导致检索结果不准确，影响RAG系统性能。

AI产品 RAG 召回率向量索引嵌入模型测试集漂移

推荐理由：做RAG系统的团队，如果发现线上召回率不如测试时，这三个原因能帮你快速定位问题，建议对照排查。

原文

6月2日

12:02

arXiv cs.AI@Yuyang Li, Zihe Yan, Tobias Käfer

多跳问答系统通常对每个问题都进行昂贵的检索，包括分解问题、多轮检索或搜索桥接实体，这增加了LLM调用的token成本。但分析发现，许多多跳问题通过单次RAG就能正确回答，因此对每个问题都进行额外检索浪费了预算。RASER是一种基于单次RAG和六个特征构建的廉价路由器，RASER-2决定是停止还是升级到PRUNE（额外检索），RASER-3在单次RAG、PRUNE和迭代检索IRCoT之间选择，且不额外调用LLM。在六个LLM和三个基准测试中，RASER在F1得分上与SOTA基线竞争，但token消耗仅为始终PRUNE的41-49%，且低于迭代和分解检索基线。

论文多跳问答 RAG 路由检索优化成本控制

推荐理由：RASER解决了多跳问答中检索成本过高的问题，做RAG系统或问答管线的开发者可以直接用这个轻量路由器来节省token预算，同时保持准确率。

原文

5月30日

11:19

Patrick Loeber@patloeber

Qdrant 在柏林举办多模态搜索工作坊，参与者可以动手实验 Gemini Embedding 2 和 Qdrant 的集成。活动聚焦 AI 检索、智能体和现代搜索系统，探讨在智能体时代检索的演进、生产级 RAG、记忆系统和向量搜索。同一天还将举办 Vector Space Meetup，主题为“智能体时代的检索”，提供交流与网络机会。适合对向量搜索、RAG 和 AI 智能体感兴趣的开发者参加。

AI产品向量搜索 RAG 智能体 Gemini Embedding 2 Qdrant

推荐理由：做向量搜索和 RAG 的开发者可以直接在柏林现场动手试 Gemini Embedding 2 和 Qdrant 的集成，还能和同行交流智能体时代的检索趋势，值得关注。

原文

00:41

berryxia@berryxia

72°

百度 PaddlePaddle 发布了 PaddleOCR-VL 1.6，在 OmniDocBench 上达到 96.33% 的 SOTA 成绩，超越开源和商业方案。该版本显著提升了表格识别、稀有字符、印章检测和图表理解能力，尤其适合金融合同、法律文件等复杂文档。与 1.5 版本完全架构兼容，零迁移成本即可使用。高精度解析能力直接提升了 RAG 系统的输入质量，降低了文档智能的门槛。

AI产品 OCR 文档解析 PaddleOCR-VL RAG 法律金融

推荐理由：文档解析是 RAG 和 LLM 应用的关键瓶颈，PaddleOCR-VL 1.6 在复杂场景（表格、印章、稀有字符）上大幅提升，做法律、金融文档处理的团队可以直接替换升级，零迁移成本值得一试。

原文

5月29日

21:36

Qdrant@qdrant_engine

Qdrant在柏林举办两场AI活动，主题围绕AI检索、智能体、现代搜索系统。活动包括讨论检索在智能体时代的演变、生产级RAG、记忆系统和向量搜索。同一天还举办Vector Space Meetup，主题为“智能体时代的检索”。活动面向AI生态系统的开发者、研究者，提供交流与网络机会。

行业 AI检索智能体向量搜索 RAG Qdrant

推荐理由：对AI检索、智能体或向量搜索感兴趣的柏林开发者，可以现场交流前沿实践，值得参加。

原文

08:14

Weaviate@weaviate_io

Weaviate 发布了一篇简洁的 AI 智能体术语解释，涵盖 MCP、单/多智能体架构、技能、Agentic RAG 和记忆等核心概念。文章指出记忆是难点，并介绍了其自研的记忆与上下文管理方案 Engram。该内容旨在帮助开发者快速理解智能体相关术语，避免观看冗长的视频教程。

AI产品 MCP/工具智能体 RAG 记忆管理 Weaviate

推荐理由：想快速搞懂 AI 智能体核心概念（MCP、RAG、记忆）的开发者，不用再刷 45 分钟视频了，这篇直接给干货。

原文

00:46

Milvus@milvusio

当 RAG 系统给出错误答案时，团队通常第一时间换更大的模型或调 prompt，但 Milvus 团队指出，真正该先修的是检索环节。他们提出一个三步诊断法：先按查询类型（精确术语、多跳、长尾、不可回答）构建黄金测试集，然后按桶计算 Recall@k，最后根据弱桶定位问题——精确术语桶低说明稠密检索对精确字符串有盲点，应加混合搜索；多跳桶低说明答案被切分或候选集太小；长尾桶低说明用户措辞与文档术语不匹配，需加查询改写；所有桶都低则说明嵌入模型不适合领域。这种方法能精准定位检索失败的具体原因，而非笼统地认为“召回率差”。

AI产品 RAG 检索增强生成 Milvus 诊断方法召回率

推荐理由：做 RAG 的团队别再盲目换大模型了——Milvus 这篇诊断法帮你精准定位检索瓶颈，从精确术语到长尾查询都有对应解法，建议直接收藏实操。

原文

5月28日

21:00

LlamaIndex@llama_index

精选

文章指出grep词法搜索在小代码库或文档文件夹中足够，但在企业环境中面对数百万PDF、电子表格和扫描文档时无法读取、不扩展且忽略同义词。作者分析grep的优势和局限，解释为什么RAG和语义搜索在企业规模下是必要的。最后介绍如何分层结合词法搜索与语义搜索来获得最佳效果。

技巧 grep RAG 语义搜索检索增强生成

推荐理由：教你如何搭配grep和RAG做搜索

原文