检索相关 AI 资讯

AITOP

8月14日

00:16

mem0@mem0ai

精选

Mem0团队指出，多数被归咎于模型的失败其实发生在RAG管道的其他环节。例如抽取阶段漏掉了关键事实。存储阶段可能把临时噪声写入了记忆库。更新逻辑未能解决冲突。检索阶段拉取了错误的记忆。

推荐理由：调试时别只盯着模型，先查抽取、存储、更新、检索这几步，往往问题出在这儿。

原文

8月10日

10:24

官方账号arXiv cs.AI@Sasan Mansouri, Daniel Saad, Mark Wahrenburg, Manu Weissel, Fabian Woebbeking

FinRank基准包含1185个手工问答对，覆盖22家公司的10-K和10-Q文件，每项记录附有参考答案、gold支持段落和人工筛选的困难负样本。在合并证据语料上，7B指令微调嵌入模型的Recall@10仅为44.8%。亚十亿参数编码器相比BM25最高提升3.5个点，而金融适配嵌入模型比BM25低9.7个点。将随机负样本替换为困难负样本后，成对准确率下降13.0至20.5个百分点。该基准分别评测段落检索、重排序和困难负样本判别任务。

论文 FinRank SEC filings 金融问答

推荐理由：FinRank是个新出的金融问答基准，专门考你从SEC文件里找证据的能力。实测连7B模型都只有44.8%的召回率，难度很够。

原文

7月30日

03:00

AK@_akhaliq

论文标题为'A New Role for Relevance: Guiding Corpus Interaction in Agentic Search'，发表在arXiv上，编号2607.24。它提出了在智能体搜索（Agentic Search）中利用相关性信号来引导语料库交互的新框架。该方法旨在提升检索与推理的协同效率。目前论文已公开，尚未提供具体基准测试结果。

论文 Agentic Search 相关性智能体

推荐理由：这篇论文重新定义了相关性在智能体搜索中的作用，做检索和智能体方向的同学可以看看。

原文

7月29日

23:59

Weaviate@weaviate_io

75°

Weaviate 的 Query Agent 自动升级，集成了 OpenAI 的 GPT-5.6 Luna 和 Terra 模型。内部测试显示，recall@5 提升5-10%，nDCG@10 提升5-7%。升级无需用户操作，成本与速度不变。Luna 是 GPT-5.6 系列中最快最便宜的模型，Terra 平衡能力与速度。更优模型能更好根据自然语言生成搜索参数。

AI产品 Weaviate Query Agent GPT-5.6

事件专题

推荐理由：Weaviate 的 Query Agent 现在用上 OpenAI 的新模型 GPT-5.6 Luna 和 Terra，召回率涨了5-10%，不涨价不降速，自动升级真省心。

原文

02:54

Qdrant@qdrant_engine

精选

Qdrant团队的JKupchanko41535在活动中介绍如何构建自我改进的检索循环。该循环能检测弱检索结果、动态调整策略，并在必要时重试、升级或终止，防止Agent产生幻觉。同场还有Future AGI的Nikhil Pareek和AWS代表分享相关技术。活动于7月29日下午5点在旧金山AWS Builder Loft举行，现场有实际基础设施演示。

技巧 Qdrant Agent 检索

推荐理由：想解决Agent盲目信任检索结果的问题？听Qdrant团队拆解自我改进循环，还和Future AGI、AWS的工程师同场交流。

原文

7月21日

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1日

01:01

Harrison Chase@hwchase17

推文引用观点指出，AI记忆的实际存储层（如数据库）重要性低于数据检索、摄入等过程。从生物学角度看，记忆是来自过去自己的信息，需要持续解读和即兴发挥。该讨论强调记忆的检索和连续学习能力才是关键。

行业 AI记忆检索持续学习

推荐理由：一条关于AI记忆设计的有趣观点，帮你重新思考memory重心，别再只盯着存储层了。

原文

6月30日

13:01

LlamaIndex@llama_index

LlamaIndex推出Retrieval Harness，将语义搜索、服务器端grep和文件级导航集成到单一agent推理循环中。该工具支持Grep文件、列出索引内容、跨越分块边界阅读、混合搜索与重排序等操作，作为原生agent工具。现已在所有付费套餐中开放beta测试。

AI产品 LlamaIndex Retrieval Harness LlamaParse

推荐理由：想给你的AI agent加上真正的文件检索能力？LlamaIndex的新工具把语义搜索和grep合在一起，很实用。

原文

6月26日

19:03

Qdrant@qdrant_engine

精选

Qdrant CTO Andrey Vasnetsov介绍了未来架构：存储和计算彻底分离，用户仅需查询本地设备上的索引片段，无需云端往返。Panel嘉宾来自cognee、Haystack_AI、llama_index、n8n_io，讨论了实际生产中Agent使用检索的问题——Agent有时不会主动调用检索，这比预期更严重。还指出若用同一模型生成评估数据集和作为评判者，相当于自己判自己作业。更多详情和完整录像在Qdrant YouTube频道。

行业 Qdrant 向量数据库 Agent

推荐理由：Qdrant CTO分享了未来架构怎么省掉云端来回；Panel聊了Agent不跑检索的坑，还有用同个模型判自己作业的槽点，做AI的都该看看。

原文

6月18日

01:44

Firecrawl@firecrawl_dev

精选

Firecrawl 推出 Research Index，一个针对 AI/ML 研究代理的专用索引。该索引在 arXivQA 基准上实现最先进召回率，比次优提供商高出 18%，成本相近。目前正在为 YC 研究实验室 Aemon_ai 提供自动研发支持。该索引旨在提升研究代理的信息检索效率。

AI产品 Firecrawl Research Index arXivQA

推荐理由：Firecrawl 搞了个研究专用索引，召回率比同行高 18%，还已经用在 YC 实验室 Aemon_ai 了，做研究检索的朋友可以看看。

原文

6月17日

08:28

Qdrant@qdrant_engine

Vector Space Day在旧金山举办，汇聚了350多名工程师、研究员、创始人和AI从业者。活动议题涵盖检索、搜索、记忆、智能体和AI基础设施。主办方Qdrant引擎通过这场活动促进行业社区交流。

行业 Qdrant Vector Space Day 旧金山

推荐理由：Qdrant组织了一场大聚会，350多人一起聊检索和智能体，看看现在这领域最热的话题。

原文

6月16日

03:15

官方账号AlphaSignal@AlphaSignalAI

精选

传统Agent系统依赖检索获取信息，但LCLMs（Latent Compression Language Models）提出先压缩所有信息。该方法将数据全局压缩一次，再基于压缩进行全局推理，仅当需要时才局部扩展。这与检索式记忆的本质区别在于：压缩使模型能理解整体结构而非片段匹配。LCLMs在多个知识密集型任务中展现出更高效的记忆利用。

论文 LCLMs 智能体 Agent记忆

推荐理由：做Agent系统的话可以看看这个思路：不先检索，而是先全局压缩再按需展开，和传统做法完全不一样。

原文

6月5日

12:39

官方账号arXiv cs.LG@Tengfei Zhang, Ziheng Zhao, Lisong Dai, Xiaoman Zhang, Pengcheng Qiu, Ya Zhang, Yanfeng Wang, Weidi Xie

精选

该研究提出了一个实体感知的跨图像比较推理框架 MedReCo，用于解决放射科实践中依赖前后对比和参考病例的诊断需求。研究构建了 MedReCo-DB 大规模数据集，包含来自 8 家机构、4 个国家、7 种影像模态的 69 万张图像，并将报告分解为解剖结构、异常发现和病理条件。基于此，开发了用于可控检索的 MedReCo 编码器和用于生成式比较解读的 MedReCo-VLM 视觉语言模型。在内部、外部和跨中心评估中，MedReCo 在 12 项内部检索设置中均取得最高 Recall@1，外部检索平均提升 6 个百分点；MedReCo-VLM 在比较生成评估中全面最优，纵向随访准确率提升 14.5-46.5 个百分点（胸片）和 13.0-27.9 个百分点（CT）。这表明实体感知的比较推理可从常规临床数据中大规模学习，为医学影像 AI 提供更贴近临床的范式。

论文医学影像比较推理视觉语言模型

推荐理由：放射科医生和医学影像 AI 研究者终于有了一个能真正做前后对比和参考病例检索的框架——MedReCo 在 12 项检索任务中全胜，做临床 AI 落地的团队值得关注。

原文