#RAG
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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
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。
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。
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。
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。
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。
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。
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。