RAG 相关 AI 资讯

产品15:14

Agent文件系统是新的RAG——Jerry Liu观点

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。

#Agent文件系统 #RAG #AI Agent #基础设施

Jerry Liu@jerryjliu0原文

论文精选12:49

RAG在法律领域的结构性局限：超越概率相似性

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。

#RAG #法律AI #知识检索 #架构分析

arXiv cs.AI@Hudson de Martim原文

论文精选10:29

DACSI攻击：低成本间接提示注入突破RAG安全边界

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。

#RAG #提示注入 #安全攻击 #DeepSeek

arXiv: DeepSeek@Jianguo Zhu原文

产品00:48

Milvus 3.0 网络研讨会：数据湖原生向量搜索与架构升级

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。

#Milvus #向量数据库 #数据湖 #RAG

Milvus@milvusio原文

论文精选12:09

Discourse-Role Labels 影响语言模型对上下文的采纳程度

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。

#语言模型 #上下文利用 #RAG #标签影响

arXiv: DeepSeek@Jianguo Zhu原文

技巧 Agent 与开发者23:35

三种常见RAG文档分块方法及选择建议

Milvus教你按文档类型选分块方法

#Milvus #RAG #文档分块 #检索增强生成

Milvus@milvusio原文

产品精选10:51

RAG Agent 中模型最不重要，系统设计才是关键

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。

#RAG #Agent #系统设计 #安全

Weaviate@weaviate_io原文

产品多源确认01:41

RAG上线后召回率下降？三个常见原因

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。

#RAG #召回率 #向量索引 #嵌入模型

事件专题

Milvus@milvusio11 个信源在谈原文

论文12:02

RASER：可恢复性感知的选择性升级路由，用于多跳问答

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。

#多跳问答 #RAG #路由 #检索优化

arXiv cs.AI@Yuyang Li 等 3 人原文

产品11:19

参加多模态搜索工作坊，体验 Gemini Embedding 2 和 Qdrant

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。

#向量搜索 #RAG #智能体 #Gemini Embedding 2

Patrick Loeber@patloeber原文

产品72°00:41

PaddleOCR-VL 1.6 发布：文档解析 SOTA，法律金融场景实测

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。

#OCR #文档解析 #PaddleOCR-VL #RAG

berryxia@berryxia原文

行业21:36

柏林AI活动：聚焦检索、智能体与向量搜索

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。

#AI检索 #智能体 #向量搜索 #RAG

Qdrant@qdrant_engine原文

产品 Agent 与开发者08:14

AI智能体词汇速览：MCP、单/多智能体架构等

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。

#MCP/工具 #智能体 #RAG #记忆管理

Weaviate@weaviate_io原文

产品00:46

RAG 答错先别换大模型，三步诊断检索问题

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。

#RAG #检索增强生成 #Milvus #诊断方法

Milvus@milvusio原文

技巧 Agent 与开发者精选21:00

Grep与RAG和语义搜索的搭配指南

教你如何搭配grep和RAG做搜索

#grep #RAG #语义搜索 #检索增强生成

LlamaIndex@llama_index原文

行业19:59

Qdrant 举办 Vector Space Meetup：智能体时代的检索变革

RAG 正在从静态检索进化到智能体主动决策，做 AI 应用开发的团队值得参与这场由一线构建者主导的讨论，直接听到实战经验。

#RAG #智能体 #Qdrant #向量数据库

Qdrant@qdrant_engine原文

产品01:11

CRAG 打破 RAG 系统错误雪球循环：检索即评估

做 RAG 系统的开发者最怕错误被反复放大，CRAG 用简单评估机制切断雪球效应，值得在长期运行的生产环境中试试。

#RAG #CRAG #Milvus #向量数据库

Milvus@milvusio原文

产品01:38

CRAG 让 RAG 返回你真正需要的最新答案

CRAG 解决了 RAG 系统的时间感知痛点，做知识库问答或实时信息检索的团队可以直接参考 Milvus 的实现方案。

#RAG #CRAG #向量数据库 #Milvus

Milvus@milvusio原文

产品07:40

Neo4j 展示图上下文如何解锁智能体系统

做智能体或 RAG 系统的开发者，图上下文能解决关系理解瓶颈，值得看看 Neo4j 的实战思路。

#RAG #图数据库 #智能体 #Neo4j

事件专题

AI Engineer@aiDotEngineer2 个信源在谈原文

产品精选01:10

RAG、文档上下文与AI智能体：2023-2026全景回顾

想理解RAG和AI智能体从2023到2026的完整进化路径？这份116页幻灯片是绝佳教材，做检索增强生成或智能体开发的团队值得收藏。

#RAG #智能体 #文档解析 #检索增强

Jerry Liu@jerryjliu0原文

论文精选00:52

CRAG 修复 RAG 管道盲点：相似度不等于相关性

做 RAG 系统的团队终于有了解决检索错配的实用方案——CRAG 在检索后加一道评估关卡，直接过滤掉相似但不相关的文档。做知识库问答或搜索增强应用的开发者，值得看看这个改进管道的方法。

#RAG #CRAG #检索增强生成 #相关性评估

Milvus@milvusio原文

模型精选15:51

RAG未死，Agentic RAG才是正解：传统RAG不适合智能体工作流

做智能体应用的团队会发现传统RAG的痛点被精准戳中，Agentic RAG的改进方案直接可用，建议点开看看具体架构设计。

#RAG #Agentic RAG #检索增强生成 #智能体工作流

Milvus@milvusio原文

产品精选00:26

Weaviate 1.37 引入 MMR 算法，解决向量搜索重复结果问题

做 RAG 或智能体检索的团队，终于不用被五个语义相同的 chunk 塞满上下文了——Weaviate 的 MMR 一行参数就能让结果既相关又多样，值得直接上手试。

#向量搜索 #MMR #Weaviate #RAG

Weaviate@weaviate_io原文

论文精选15:58

BalanceRAG：级联RAG的联合风险校准方法

做RAG系统优化的团队终于有了一个能精确控制风险与检索成本的校准工具——BalanceRAG 用联合阈值替代逐级保守校准，在保证准确率的同时减少不必要的检索调用，建议做问答系统的开发者点开看看。

#RAG #风险校准 #级联系统 #问答

arXiv cs.AI@Zijun Jia 等 9 人原文

论文精选10:33

ContextRAG：免提取的层级图构建方法提升RAG多跳问答

做RAG系统优化的团队终于有了一个不依赖LLM抽取的图构建方案——ContextRAG用30次调用替代了数百万token的索引开销，多跳问答效果还更好，做知识密集型问答的开发者值得一试。

#RAG #图构建 #多跳问答 #形式概念分析

arXiv cs.AI@Roman Prosvirnin 等 3 人原文

论文精选72°10:29

EngiAI：多智能体框架与基准套件，评估LLM驱动的工程设计

做工程设计自动化或LLM多智能体系统的开发者，这个基准能帮你精准定位模型在条件分支、RAG和HPC编排上的短板，建议直接参考EngiAI框架来测试自己的方案。

#多智能体系统 #工程设计 #基准测试 #LangGraph

arXiv cs.AI@Gioele Molinari 等 4 人原文

产品17:01

Qdrant：向量搜索不止是嵌入，深度查询过滤实战

做 RAG 或搜索系统的团队，别再只靠嵌入向量了——Qdrant 这篇实战指南教你用元数据过滤和结构化约束提升检索精度，值得直接参考。

#Qdrant #向量搜索 #RAG #元数据过滤

Qdrant@qdrant_engine原文

论文精选11:47

PwC论文：Agent搜索中grep比语义搜索更准？

这篇论文挑战了“语义搜索是Agent标配”的直觉，做Agent检索或RAG的开发者值得一读，看完可能会重新审视你的检索策略。

#Agent搜索 #grep #语义搜索 #RAG

Jerry Liu@jerryjliu0原文

模型中美对照官方一手21:35

Anthropic 推出 Contextual Retrieval 提升 RAG 准确性

做 RAG 应用的开发者终于有了解决上下文丢失问题的实用方案，错误率直降 67%，建议直接看实现指南。

#RAG #Contextual Retrieval #Anthropic #Claude

事件专题

官方一手Anthropic: Engineering11 个信源在谈原文

产品09:12

Cocoindex 引擎让 AI Agent 上下文实时更新

Cocoindex 通过增量处理机制，显著提升了 AI Agent 处理动态数据的效率，适合需要实时上下文的开发场景。

#Agent #开源/仓库 #RAG #Embedding

官方账号AlphaSignal@AlphaSignalAI原文

技巧 Agent 与开发者官方一手00:33

Google ADK实战：单体重构为生产级AI智能体5大教训

本文提供了实用的工程经验，尤其适合正在将AI原型投入生产的开发者，展示了结构化设计和监控的重要性。

#智能体 #MCP/工具 #Google ADK #可观测性

官方一手Google Developers Blog原文

模型中美对照官方一手70°00:33

Google Gemini Embedding 2 正式商用，统一多模态语义空间

对需要跨模态语义搜索和智能体构建的开发者而言，Gemini Embedding 2 的统一嵌入能力可简化架构并提升检索质量，值得关注其在实际部署中的表现。

#Gemini Embedding 2 #多模态 #智能体 #向量嵌入

官方一手Google Developers Blog原文

论文70°19:11

RAG去重零质量损失：三模式实验分析

该研究为RAG系统提供了一种确定性、无质量折损的优化方法，直接减少了推理计算成本，对实际部署具有明确指导意义。

#RAG #去重/优化 #推理效率 #质量评估

arXiv: OpenAI@Sietse Schelpe原文