RAG检索增强生成

Llama 4 Scout模型发布了，它能一口气读1000万个字（相当于1万3千页书[1]），网上又有人喊"RAG技术没用了"……每次有新的大容量AI模型出来，这种争论就会冒头。今天我就来说说为啥我觉得RAG不会消失，就算AI能读更多文字了，RAG照样有用。

NyRAG（发音为knee-RAG）是一个简单的工具，用于通过抓取网站或处理文档来构建RAG应用程序，然后部署到Vespa进行混合搜索，并集成聊天UI。点击标题进入github!一、你有没有想过：让AI只回答你自己的资料？ <

企业AI落地最大瓶颈是缺失操作上下文层，导致无法捕获决策痕迹。需构建身份解析、关系映射、时序建模的动态知识图谱，为AI代理提供组织常识。 企业AI真正缺的不是模型，而是“决策上下文”基础设施

“决策痕迹”是误称，上下文图谱的核心在于“具体化reification”——将系统行为、数据来源、策略约束转化为可审计的图谱记录，实现AI系统的透明化与责任追溯。 为什么“决策痕迹”是个错误说法？真正关键的是“具体化”</

这是一个可以让大家一起写笔记、做 wiki 和整理文档的平台，而且还能随时扩展功能。它是用 Django 和 React 这两个技术做的。 笔记可以大家一起实时编辑，最后变成有用的知识！ 它是

最近那些超级AI（比如DeepSeek之类推理模型）变得特别会做题，秘诀就是让它们像人类一样"把思考过程写出来"。但这篇论文发现了个反常识的现象——有时候不思考反而更厉害！ 神奇发现：用最新AI"深度求索-

这事儿得从我五个月前杀回Redis公司说起！当时我屁股还没坐热呢，就跟同事唠嗑说咱要不要换个AGPL许可证啊？结果你猜怎么着？（突然压低声音）原来公司茶水间早就为这事儿吵翻天了！就像你们班选班长似的，AGPL和SSPL两派天天battle，虽然最后公司选了SSPL，但AGPL派还在暗搓搓搞事

这张图片展示了三种不同的工作流程：自动化工作流程、AI工作流程（非代理型）和代理型工作流程。每种流程都以用户查询开始，并以响应结束。以下是每种流程的详细解释： 1. 自动化工作流程（基于规则，非AI）：   - 用户查询输入后，进入一系列预定义的步

中国科学家搞出大新闻！全球首个"记忆操作系统"MemOS横空出世，AI这下真要有"人脑记忆"了！ 上海交大、浙大的学霸天团最近整了个黑科技，给AI装上了"最强大脑"。就像电脑需要Windows系统管理CPU和硬盘，他们开发的MemOS系统能让AI像

智能体代理需要上下文来执行任务。上下文工程是一门艺术和科学，它能够在代理轨迹的每一步中，用恰当的信息填充上下文窗口。在本文中，我将上下文工程归纳为几种常见策略，这些策略在当今许多流行的代理中都较为常见。 Agent智能体是啥？上下文

最近有个投资人非要拉我帮忙调查家创业公司，你猜怎么着？他们居然觉得靠"微调"就能让AI系统自动更新知识！好家伙，这还有人相信微调是万能仙丹呢？ 来咱们掰扯掰扯。现在好多人都把微调大模型当成给手机充电——插上数据线就能往AI脑子里灌新知识？大错特错！

AI圈炸锅了！"RAG已死"是标题党还是真凉了？ 问：RAG这技术是不是凉透了？问：网上都在传"RAG已死"，那我做AI应用是不是该躲着RAG走？ 最近好多程序员

我是一名拥有8年以上经验的高级技术主管，在过去的3年里，我一直致力于构建LLM驱动的系统- RAG管道，代理应用程序，text 2SQL引擎。我们已经在制造业、体育分析、非政府组织、法律的等领域推出了真实的的产品。 在一次又一次地这样做之后，我厌倦了同样的

AI 智能体：不只是会“聊天”，还要学会“思考”和“行动” 现在的 AI 可不只是会陪你聊天、写作文那么简单了。那些酷炫的 AI 公司，为了让 AI 变得更聪明、更靠谱，不再仅仅满足于让 AI “预测下一个词”。它们正在努力让 AI 变成真正的“<

如何让AI更靠谱？——"上下文工程"小白说明书（配图来自推特大佬Dex Horthy的酷图）上下文工程是啥？为啥它这么牛？ 你家AI总翻车？可能是"喂饭姿势"不对！想象你在教同桌做数

别再折腾 AI 智能体了，大部分时候你根本用不着它！  嘿，大家好！今天咱们请来了超级厉害的 Hugo。他可不是一般人，给 Netflix、Meta 还有美国空军的工程师们都提供过咨询和指导，教他们怎么开发那些酷炫的 AI 大语言模型（LLM）系统