RAG

01 AI 金融分析 Agent：Dexter Dexter 是一款专注于金融研究的 AI 智能体。它能够像初级分析师一样工作，当你提出一个复杂的金融问题（例如分析某公司季度利润率变动的原因）时，它可以自主拆解任务并执行数据检索。 该智能体接入了实时市场数据源，能够查阅财报、损益表等关键财务文件，并内置了一套自我检查机制。当发现数据存在疑问时，它会进行反思并…

这个名为 UltraRAG 的开源项目，已在 GitHub 上获得了超过 4600 个 Star。它由清华大学 THUNLP 实验室、东北大学 NEUIR 实验室、OpenBMB、面壁智能与 AI9Stars 等机构联合发布，是首个基于 MCP 的轻量级 RAG 开发框架。其核心在于：通过 YAML 配置逻辑，利用 MCP 构建组件，并通过 UI 打通从“算…

面向大型数据集、符合行业标准的 Agentic RAG Pipeline 需要基于清晰、可扩展的分层架构进行构建。我们将系统结构化，使得 Agent 能够并行地进行推理、获取上下文、使用工具以及与数据库交互。每一层都承担明确的职责，涵盖从数据摄取、模型服务到 Agent 协调的全过程。这种分层方法有助于系统实现可预测的扩展，同时为终端用户保持较低的响应延迟。…

近期，OpenAI 发布了 GPT-5.2 模型，引发了广泛关注。路透社报道称，OpenAI 在竞争压力下加速了研发进程。此次更新并非功能堆砌，而是聚焦于在智能、代码处理、长文本理解等核心能力上的显著提升，尤其擅长处理创建电子表格、制作演示文稿等复杂的多步骤任务。 简而言之，GPT-5.2 是一次面向实用场景的“精修”，在可靠性、长上下文处理、工具执行和输出…

在AI工程实践中，你很快会意识到：并不存在一张可以完全照搬的“通用蓝图”。 对于检索增强生成（RAG）中的基础检索（“R”），标准流程包括文档分块、查询语义搜索、结果重排等。这套流程已广为人知。 但随着系统深入应用，一个问题会浮现：如果一个系统对一篇文档的理解仅限于几个零散的文本块，我们如何能称其为“智能”？ 那么，如何确保系统获得足够的信息，从而做出“聪明…

LLM 已从根本上改变了我们与数据交互、自动化推理以及构建智能系统的方式。然而，尽管其生成式能力令人印象深刻，LLM 天生并不理解关系、结构或长期的事实一致性。这一缺陷在我们尝试将 LLM 用于企业级知识系统、多跳推理或决策关键型应用时尤为明显。 这正是图数据库与 RAG 结合之处，二者共同为 AI 系统形成一种新的架构范式——将符号推理与神经生成相融合。 …

将多模态数据纳入到RAG（检索增强生成）乃至Agent框架，是目前大语言模型（LLM）应用领域最受关注的方向之一。针对多模态数据最自然的召回方式，便是向量检索。 然而，我们正在依赖的这一整套“embedding → 向量检索 → 下游任务”的流程，其实存在一个未被正确认知到的陷阱。许多人认为向量检索方法已经标准化，遇到向量检索需求便不假思索地选择HNSW算法…

关键词：LLM Inference 、GPU、 Two-Phase Heterogeneity 、Microarchitectural Analysis 、 System Scaling 、Emerging Paradigms 我们的研究从观测到预测系统性推进：识别性能现象、揭示硬件层面原因、验证系统行为、探索新范式。 我们的研究结果为理解 LLM 推理建立…

我们正从“与 AI 聊天”的时代迈向“用 AI 构建”的时代。 科技领域每隔几年就会经历一次范式转移，但当前人工智能领域的变革，其深度与广度远超过去十年间的任何一次。 一个清晰的现实是：到了 2025 年，掌握 AI 技能与不掌握 AI 技能的人，其能力差距将以指数级速度扩大。 这并非危言耸听，而是正在发生的趋势。从“与 AI 对话”到“用 AI 构建”，是…