Amazon Quick 与 Amazon Bedrock Knowledge Bases 在原有预检索 ACL 过滤之上新增实时 ACL 校验，在查询时直接向 Google Drive 等权威数据源核实权限，避免同步快照过期或映射错误带来的越权泄露。该方案分两阶段：先用索引中缓存的 ACL 做语义检索筛选候选文档，再通过服务账号模拟生成用户级访问令牌实时验证，仅将已授权内容交给 LLM 生成回答。
匹配字段标题
n8n 发布指南对比 LLM 知识图谱与向量 RAG 两种检索增强架构：向量 RAG 适合答案集中在少量语义相近段落的场景，知识图谱以三元组显式表示实体与关系，支持跨文档多跳检索和路径可追溯。知识图谱能减少无关上下文、提升 token 效率，但构建与维护成本通常高于标准向量 RAG。
匹配字段标题
GitHub Podcast 最新一期拆解了五个 AI 热门论断：AI 生成的代码仍需阅读和负责，但审查力度应按风险分级；Skills 与 MCP 解决不同问题，前者是打包的专家经验，后者是连接工具与数据的标准；RAG 并未死亡，检索能让模型更接近答案并减少 token 浪费。节目还讨论了招聘中的 AI 使用判断力，以及微调模型与代码库可维护性的关系。
匹配字段标题
RAG 通过在模型回答前检索外部信息并加入上下文，让 LLM 使用训练数据之外的最新、私有或大规模知识。其流程包括知识分块与嵌入、查询处理、段落检索、上下文注入和答案生成，但检索质量、来源质量及模型误读仍可能造成错误。ElevenLabs 还介绍了 ElevenAgents 的查询改写与模型竞速架构，称其将 RAG 中位延迟从 326 ms 降至 155 ms。
匹配字段标题
Gergely Orosz 的 The Pragmatic Engineer 已运营五年，从 2021 年每周一篇深度文章起步，2022 年新增每周科技新闻栏目 The Scoop（现为 The Pulse），2023 年起直接采访 Uber、OpenAI、Meta、Stripe、Figma 等公司做工程深度报道，2024 年秋推出播客，首位嘉宾为 Simon Willison。
匹配字段标题
Strands Robots 将 LeRobotDataset 的录制、同步、流式训练和实体机器人部署整合到同一 Robot() 工作流，并让新演示数据返回同一 Storage Bucket。Xet 按字节去重，仅上传变化的数据块；stream_dataset() 可从 Hub 逐帧读取远程 Parquet 与 MP4 分片，无需完整下载。Bucket 仅支持流式读取且不保留修订记录，真实部署还需隔离数据与凭据、限制智能体权限并只加载可信组织的模型。
匹配字段标题
Together AI 联合佐治亚理工、UIUC 和 CMU 提出 ThunderAgent，把每个智能体工作流抽象为可调度程序，以程序级调度缓解 KV cache thrashing，在合成数据生成流水线中实现最高 2.5 倍单节点吞吐提升。在单台 8×H100 节点、batch size 192 下，SGLang 吞吐降至 390 token/s、平均延迟 65s，ThunderAgent 达到 803 token/s、平均延迟 10.6s；8 节点集群上相对 SGLang Gateway 加速 2.39 倍，从 16 到 64 GPU 吞吐近线性扩展。该工作已被 ICML 2026 接收为 Spotlight 论文，代码开源，客户端只需增加一个 program_id 字段，并已被 SkyRL 和 NVIDIA Dynamo 采用。
匹配字段标题
Google Research 与 Google Cloud 合作推出 Agentic RAG 框架，并已在 Gemini Enterprise Agent Platform 以公开预览形式上线。该框架通过 Planner、Query Rewriter、Sufficient Context 等智能体迭代检索，在信息不足时给出具体缺口并继续搜索，相比标准 RAG 在事实性数据集上准确率最高提升 34%。在 FramesQA 的跨语料设置中，系统需从 4 个语料中路由查询，仍答对 90.1% 的问题，延迟与单语料版本平均相差约 3% 以内。
匹配字段标题
Mistral AI 介绍了如何结合“LLM 作为裁判”、RAG Triad 与结构化输出，对 RAG 系统的检索和生成环节进行端到端评估。RAG Triad 分别衡量上下文相关性、事实依据性和答案相关性；结构化输出则通过明确的评分标准与 Schema，生成便于机器读取和汇总的评估结果。
匹配字段标题
Zyphra 发布 Mixture-of-PageRanks（MixPR）RAG 系统，用于在长上下文任务中做高效预处理，可搭配任意基础模型，并在 RULER、BABILong、HashHop 等基准上取得 SOTA 结果。该系统用 Standard PageRank 处理全局检索、Personalized PageRank 处理局部检索，由基础模型零样本判断查询类型后路由；文本分块用 TF-IDF 稀疏嵌入，邻接矩阵由余弦相似度一次矩阵乘法构建，在桌面 CPU 上处理百万级 token 上下文只需数秒。MixPR 搭配 GPT-4o 在 BABILong 上取得第二名，仅次于专门微调的循环记忆 Transformer，在 RAG 模型中排名第一。
匹配字段标题
Zyphra 展示了一套检索系统，可在推理时于标准 CPU 上把任意现成 LLM 扩展到 10 亿 token 上下文。该方法基于稀疏图检索，在需要超长上下文推理的 Hash-Hop 基准上取得 SoTA，并称比使用稠密嵌入的常见 RAG 系统更省算力与内存，也比长上下文 Transformer 更高效。团队表示这些初步结果适合端侧和算力受限场景，后续将测试其在更多长上下文任务上的通用性。
匹配字段标题
Anthropic 提出 Contextual Retrieval 方法，通过 Contextual Embeddings 和 Contextual BM25 两项子技术，将 top-20 检索失败率降低 49%（5.7% 降至 2.9%），叠加 reranking 后降低 67%（5.7% 降至 1.9%）。该方法用 Claude 3 Haiku 为每个分块生成 50-100 token 的上下文说明，再拼接到分块前进行嵌入和建立 BM25 索引，配合 prompt caching 时生成上下文化分块的一次性成本为每百万文档 token 1.02 美元。Anthropic 同时提供了可直接部署的 cookbook。
匹配字段标题
FutureHouse 发布工程博客，介绍其科学 RAG 系统 PaperQA2 的设计实验，称其在回答高难度科学问题、撰写综述文章和检测文献矛盾等任务上超过科学家的表现。团队基于 LitQA2 的 200 道专家多选题评测发现，智能体式查询扩展、LLM 重排与上下文摘要（RCS）、引用遍历对准确率重要，而嵌入模型选择、混合关键词嵌入、chunk 大小和结构化解析影响不大。新增的引用遍历工具通过 Semantic Scholar 和 Crossref API 前后各遍历一度引用，提升了正确论文的召回率。
匹配字段标题
Zyphra 用数学解释为何图数据库适合多跳问答，并实现了一个简单图数据库来增强 GPT-4o。该系统在针尖寻针数据集 Babilong 上取得非微调模型中的最佳表现，超过前沿长上下文模型。
匹配字段标题
Zyphra 针对长对话 RAG 中时间/事件查询和歧义查询两大难题，基于 LoCoMo 数据集构建了包含时间类、歧义时间类和元数据+内容类问题的新数据集，并发现标准 RAG 方法表现不佳。其新检索模型结合 Chain-of-Table 表格搜索、向量数据库检索和查询改写提示，在这些任务上大幅超越现有方法。
匹配字段标题
Ollama 现已支持嵌入模型，让开发者能构建将文本提示与已有文档结合的 RAG 应用。用户可拉取模型后通过 REST API、Python 或 JavaScript 库生成向量嵌入，并已集成 LangChain 和 LlamaIndex。Ollama 还预告将支持批量嵌入、OpenAI 兼容的 /v1/embeddings 端点，以及 ColBERT、RoBERTa 等更多嵌入模型架构。
匹配字段标题
欧洲早期风投Entourage完成第二期基金募集,规模1亿欧元。据Tech.eu报道,该基金超过最初7500万欧元目标,并在两周内超额认购后封顶。该基金计划在欧洲等市场以pre-seed和seed阶段投资约25家公司,单笔100万至500万欧元,投向从软件扩展到AI、企业软件、机器人、physical AI和深科技。Entourage由Showpad联合创始人Pieterjan Bouten创办,此前曾早期投资Aikido Security、Conveo和Lexroom。
匹配字段标题
欧洲早期风投Entourage完成第二期基金募集,规模1亿欧元。据Tech.eu报道,该基金超过最初7500万欧元目标,并在两周内超额认购后封顶。该基金计划在欧洲等市场以pre-seed和seed阶段投资约25家公司,单笔100万至500万欧元,投向从软件扩展到AI、企业软件、机器人、physical AI和深科技。Entourage由Showpad联合创始人Pieterjan Bouten创办,此前曾早期投资Aikido Security、Conveo和Lexroom。
匹配字段标题
MIT教授Paris Smaragdis的研究组提出要让机器具备超越人类的听觉能力,并将这一目标用于语音识别、音乐理解和环境监测等场景。其研究覆盖声源分离的机器学习、可增强人类听觉环境的智能设备,以及帮助人们理解、操作、分析和创作音乐的工具。Smaragdis于2025年加入MIT,同时任职于音乐与戏剧艺术项目及电子工程与计算机科学系。目前该方向仍处于研究推进阶段,尚无后续进展披露。
匹配字段标题
MIT教授Paris Smaragdis的研究组提出要让机器具备超越人类的听觉能力,并将这一目标用于语音识别、音乐理解和环境监测等场景。其研究覆盖声源分离的机器学习、可增强人类听觉环境的智能设备,以及帮助人们理解、操作、分析和创作音乐的工具。Smaragdis于2025年加入MIT,同时任职于音乐与戏剧艺术项目及电子工程与计算机科学系。目前该方向仍处于研究推进阶段,尚无后续进展披露。
匹配字段标题