#RAG
Fireworks 用不到 10 美元教会你微调 Qwen3-Embedding-8B，三个实验最高 nDCG 涨 36%，做 RAG 的值得看。
Qdrant和FutureAGI要直播修一个RAG agent，现场看每一步改动对效果的影响，还会演示换embedding模型和加rerank。想学RAG调优可以直接围观。
论文推出了LayerRAG-Bench，用8个领域240个任务测智能体RAG的可靠性陷阱。它告诉你schema规范化只解决一类问题，别指望一个补丁包治百病。
APS团队搞了个能检索几十年知识库的RAG系统，把BM25的63.8%准确率提到了70.3%。交叉编码器是关键，去掉掉32.8%得分。科学设施运维AI神助攻，代码和基准都开源了。
Dify 搞了个用户大会在东京，今年 9 月 10 号免费参加。能听到别人用 Dify 做智能体工作流的真实案例，想学实战经验的别错过。
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。
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。
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。
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。
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。
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。
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。
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。
