RAG 相关 AI 资讯

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。

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 自主代理智能体开源模型 RAG

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 智能体 RAG

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 RAG

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 向量数据库

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 RAG 多模态

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 RAG

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 OCR RAG

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 RAG 智能体

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 本地AI 语义搜索

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 IRCoT RAG

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 RAG 开源项目

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 LangChain OpenAI GPT 信息检索

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 AI Engineer大会 Jerry Liu

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 FastAPI Next.js

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 智能体 RAG

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 个性化PageRank RAG

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

6月30日

14:59

Jerry Liu@jerryjliu0

精选

LlamaIndex 在 LlamaParse 中上线 Retrieval Harness，提供面向 agent 的检索工具集。它支持混合检索（向量搜索与关键词搜索结合，可调 alpha 值）、文件列表（可扩展的 ls 操作）、文件内正则搜索（File Grep）以及文件子段读取（File Read）。该功能已在所有付费 tier 的 beta 版本中可用，可处理从 10 份到 100 万份以上的文档集合。

AI产品 LlamaParse LlamaIndex Retrieval Harness RAG 混合检索

推荐理由：LlamaIndex 给 LlamaParse 加了 Retrieval Harness，让 agent 能同时用语义搜索和 grep，处理百万级文档。想构建高级 RAG 的可以试试。

原文

11:49

官方一手marktechpost@Michal Sutter

精选

本文介绍了6款无代码工具，支持构建企业级RAG系统、多智能体工作流以及微调数百个LLM。这些工具无需编程经验即可快速部署智能应用，显著缩短开发周期。文章逐一解析每款工具的核心功能和适用场景。

技巧无代码工具 RAG 多智能体 LLM微调 AI开发

推荐理由：想不写代码就搞定AI应用？这6个工具能帮你快速搭RAG、调模型，省时又省力。

原文

09:56

官方账号arXiv cs.LG@Khan Raiyan Ibne Reza, Omar Ibne Shahid

KrishokChat是首个基于引文的孟加拉语农业咨询指令微调数据集，从129份领域手册中提取290个层次化知识节点。利用分区种子生成矩阵扩展为139,200个监督微调对，并增强5,300个化学品安全和1,000个对抗安全实例，总计145,500个QA对覆盖18种作物类别。引入Farmer Benchmark包含1,001个真实农民查询用于评估。在Gemma-4-E2B上评估发现，微调提升结构化格式，但独立模型仍难准确泛化化学剂量。

论文 KrishokChat Gemma-4-E2B 孟加拉语农业咨询 RAG

推荐理由：做农业AI的朋友看过来！KrishokChat是首个孟加拉语农业咨询的引文数据集，提供14.5万条QA对和Farmer基准，比直接微调更适合做RAG。

原文

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

官方一手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

官方一手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

官方一手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

官方一手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

官方账号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

官方一手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

官方一手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

16:28

官方一手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