#RAG

meng shao@shao__meng· 09:57AI 评分5454

一项新 arXiv 论文指出，仅对原始对话历史做稠密检索加重排的 RAW-RAG，在 LoCoMo、LongMemEval、MEME、MemoryAgentBench 的 7 组基准与模型组合中有 6 组排名第一，比最强对比 agentic memory 高 0.13 到 5.53 分。作者认为长对话记忆的核心瓶颈是证据是否齐全，而非复杂的抽取、变异与图结构。

LangChain 讲解 AI Agent 的上下文工程为何从检索开始

LangChain 探讨了 AI Agent 在上下文中检索信息时面临的效率低下、上下文过载及信息过时等挑战，并以 Deep Agents 框架为例介绍了通过文件系统工具、渐进式披露、卸载大型结果以及委派子代理过滤等技术来优化检索过程。

Show HN：用 AI 从 4.5 万封 Enron 邮件中生成带引用的维基百科

开发者利用 AI 从 4.5 万封 Enron 邮件中自动生成了一部维基百科，并且每个事实均带有来源引用。该项目在 Hacker News 获得 41 个积分与 36 条评论。

IskayPet 如何用 Amazon Bedrock Managed Knowledge Bases 统一企业知识库

IskayPet 利用 Amazon Bedrock Managed Knowledge Bases 构建了企业知识库助手，免去了维护 RAG 基础设施的工作。

Octave 如何在 Amazon Bedrock 上构建安全的多租户 AI 基础架构

Octave 使用 Amazon Bedrock 上的 Cohere Embed v4 和 Amazon OpenSearch Service 等工具，为 Reliance 平台构建了包含数据准备、安全执行和内容保护的三层安全多租户 AI 基础架构。该架构支持隔离多租户数据、执行独立代理并嵌入超 20 亿份文档，将每个用例的部署时间缩短了 50%。

在 AWS 上使用 AtScale 与 Amazon Bedrock AgentCore 构建智能体语义层

AWS 机器学习博客介绍了如何在 AWS 平台上结合 AtScale 与 Amazon Bedrock AgentCore 构建智能体语义层。

如何在 AWS 上用 Strategy Mosaic 与 Amazon Bedrock AgentCore 为智能体 AI 构建语义层

本文介绍了如何使用 Strategy Mosaic 在 AWS 上为 Amazon Bedrock AgentCore 托管的 Strands 智能体构建语义层。文章详细阐述了在不进行 ETL 的情况下跨 Amazon Redshift 和 Amazon Aurora 建立两个链接模型、通过 Mosaic MCP 服务器暴露模型以及实现用户级安全性的方法。

在 AWS 上使用 Denodo 与 Amazon Bedrock AgentCore 为智能体构建语义层

AWS 官方介绍了如何结合 Denodo Platform 与 Amazon Bedrock AgentCore 为 Agentic AI 应用构建统一的语义层。

OpenBMB@OpenBMB· 21:46AI 评分6262

OpenBMB 提出了 Trident 方法，用以解决多模态检索中不相关文本得分高于语义对齐图像的“文本混乱”现象。该方法联合训练文本、图像和融合视图，在 6 个视觉文档检索基准上将 Trident-Qwen3VL-2B 的 Mix Avg NDCG@10 从 40.12 提升至 73.90，相关代码和论文已开源。

使用 Amazon Bedrock AgentCore 构建自适应文档处理系统

AWS 官方介绍了如何使用 Amazon Bedrock AgentCore 构建能够自动分类、提取、验证并从商业文档中学习的多智能体智能文档处理系统。该系统由 8 个协作智能体组成，通过图工作流自动处理新文档格式并将学习成果持久化复用，以减少人工模板配置和维护成本。

如何使用 Amazon Bedrock AgentCore 生成演示文稿

AWS 介绍了如何构建一个基于 Amazon Bedrock AgentCore 的 AI 智能体系统来自动生成企业演示文稿。该系统采用监督智能体架构，结合 RAG 检索企业文档并利用 Claude 模型与 Stability AI 生成幻灯片图文内容。

ShipStation Global 如何在 Amazon Bedrock AgentCore 上构建 AI IT 服务台

ShipStation Global 工程团队在 Amazon Bedrock AgentCore 上构建了 Deckhand，这是一个基于 Slack 的 AI IT 服务台智能体，可自动化处理日常 IT 问题并管理 Jira Service Management 工单。该解决方案实现了 97.5% 的进线频道查询解决率，并获得了员工 96% 的满意度评价。

Orca Security 如何利用 Amazon Bedrock 构建自然语言查询智能体

Orca Security 推出 Discovery AI 智能体，通过结合 RAG、多阶段模型分配及人工反馈闭环，将自然语言请求转化为云基础设施查询。该方案通过九阶段流水线架构，实现了相比基准方案 90% 的成本降低、93% 的输入 token 减少以及 75% 的延迟优化。

Beyond Naive RAG：9 位检索专家总结朴素 RAG 的失效与进阶实践

由 Hamel Husain 主编的《Beyond Naive RAG》合集汇总了 9 位检索专家的实战共识，指出 2023 年流行的“切块、单向量 embedding、余弦检索”模式已不再适用。该内容强调 RAG 技术本身并未过时，并提供了针对现有架构失效的进阶实践建议。

Postman 如何在 Amazon Bedrock 上为 4000 万开发者运行 Agent Mode

Postman 介绍了其 Agent Mode 的架构实践，通过动态工具选择、Schema 驱动的数据读取及精细化的上下文管理，解决了在成熟产品中集成智能体的复杂性。该系统利用 Amazon Bedrock 的跨区域推理、模型灵活性、提示词缓存及数据保护功能，实现了生产环境下的高性能与高可靠性。

Amazon Quick 与 Amazon Bedrock 如何通过实时 ACL 执行重构 RAG 访问控制

Amazon Quick 和 Amazon Bedrock Knowledge Bases 通过引入实时 ACL 执行机制，解决了企业 RAG 应用中权限同步滞后与映射错误的安全挑战。该方案采用两阶段验证架构，在预检索过滤的基础上，于查询时直接调用数据源 API 进行实时权限核验，确保 AI 仅基于用户有权访问的文档生成内容。此举在保障语义搜索性能的同时，消除了因权限变更延迟导致的数据泄露风险。

Qlik 如何利用 Amazon Bedrock 构建企业级可溯源 AI

Qlik 通过 Amazon Bedrock 构建了企业级 AI 工具 Qlik Answers，为全球 4 万多家客户提供基于数据源的自然语言问答服务。该系统通过路由层与专业智能体层协同，实现了对结构化数据与非结构化文档的精准检索，其中 Lintech International 的研究响应时间缩短了 75%。

如何将 AI 智能体与企业知识库连接

企业 AI 智能体因缺乏对组织数据的语境理解，导致仅有 34% 的项目能成功投入生产。研究显示，具备强大语义知识能力的领先企业，其智能体项目生产率可达 61%。为提升决策质量，企业正优先投资于 RAG、知识图谱、AI 评估智能体及数据摄取管道，旨在通过构建知识层解决数据碎片化与上下文缺失的难题。

GitHub 播客探讨：AI 领域关于代码审查、RAG、MCP 与 Skills 的争议

GitHub 播客最新一期深入剖析了 AI 开发中的五大热门争议，指出 AI 并非要取代开发者的工作，而是改变了风险评估与流程管理的重心。针对 RAG、MCP 与 Skills 等技术，文章强调它们在实际开发中互为补充，而非竞争关系。开发者应通过提升对 AI 工具的判断力与使用流程的透明度，在代码质量、安全性与开发效率之间建立平衡。

Mistral AI 发布 Agentic Search 检索工具

Mistral AI 发布 Agentic Search，通过引入多步检索循环和 search、open、navigate、read、grep 五项工具，使模型能够主动导航并验证复杂文档中的信息。