RAG
-
NVlabs FVRuleLearner：用算子推理树终结LLM写SystemVerilog断言的时序错误，形式验证正确率飙升
利用大语言模型将自然语言描述转化为 SystemVerilog 断言（SVA），表面上是“代码生成”的一个应用分支，但其真正的挑战并非语法，而是语义。例如，一个“握手后必须响应”的需求，可能涉及时序蕴含、复位屏蔽、信号稳定性、延迟窗口以及位级抽象等多种微妙的逻辑选择。 研究论文揭示，在自然语言到 SVA（NL-to-SVA）任务中，超过 80% 的功能性错误…
-
LLM知识管理新范式：从临时检索到复利增长的Wiki式构建
近期，Andrej Karpathy分享了一种利用大语言模型管理个人知识库的新方法，其核心思路引发了广泛共鸣。他将这一理念整理成一份Gist文档，迅速获得了大量关注。 这一思路的兴起，与大模型自身能力的演进密切相关。长程Agent能力的提升，以及渐进式披露等实践方法的出现，使得许多过去难以被AI重塑的知识管理场景正逐步被解锁。 核心理念：从检索到构建 Kar…
-
谷歌发布首个原生多模态嵌入模型Gemini Embedding 2，统一文本、图像、视频、音频、文档嵌入空间
谷歌宣布推出全新的多模态嵌入模型 Gemini Embedding 2，这是首个基于 Gemini 架构构建的原生多模态嵌入模型。目前，该模型已经通过 Gemini API 和 Vertex AI 向开发者提供公开预览。 统一的多模态嵌入空间 与此前仅支持文本向量化的嵌入模型不同，Gemini Embedding 2 可以将文本、图像、视频、音频以及文档等多…
-
面向AI Agents的7个免费Web Search API：实时、RAG就绪与快速集成指南
探索面向智能体（AI Agent）的主流 Web Search API，它们提供实时、高准确度的搜索结果，具备 RAG 就绪、低延迟与可扩展性。本文包含 Python 快速上手示例与免费套餐信息，便于无缝集成。 AI 智能体的有效性，取决于其获取新鲜、可靠信息的能力。许多智能体在幕后会调用 Web 搜索工具来获取最新上下文，以确保输出始终相关。然而，并非所有…
-
Cog-RAG：让RAG在检索前先思考，用双超图架构模拟人类认知过程
Retrieval-Augmented Generation（RAG）已成为帮助大型语言模型保持信息“有根有据”的标准方法。其基本流程广为人知：将文档切分为片段，进行向量化嵌入，执行向量检索，最后将最匹配的前K个结果输入给大模型生成答案。 然而，这条标准流水线存在一些固有的局限性。 为什么多数 RAG 系统仍像支离破碎的记忆 图 1：图、超图与 Cog-RA…
-
跨越工程鸿沟：软件工程方法论指导下的企业级AI Agent构建实战
AI Agent 正在成为大模型发展的重要方向，也逐渐成为企业数字化转型中具备实用价值的突破口。与单一的大模型对话不同，Agent 不仅能够理解指令，还可以围绕目标进行任务规划、工具调用和流程执行，从而完成更复杂的业务闭环。然而，从“知道 Agent 是什么”到“在企业环境中稳定运行并产生价值”，中间仍然存在一道明显的工程鸿沟。 万变不离其宗，AI Agen…
-
2024年1月GitHub热门开源项目盘点：从AI金融分析到无向量RAG，这些工具正在重塑开发效率
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…
-
清华开源！GitHub 4600星RAG神器UltraRAG 3.0发布：告别黑盒开发，推理逻辑全透明
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…
-
UltraRAG 3.0重磅发布：可视化白盒框架，让RAG开发从数月缩短至一周
“验证算法原型只需一周，构建可用系统却耗时数月。” 这句看似调侃的“吐槽”，却是每一位算法工程师不得不面对的真实困境。 今天，清华大学 THUNLP 实验室、东北大学 NEUIR 实验室、OpenBMB 、面壁智能与 AI9Stars 联合发布 UltraRAG 3.0。 针对上述痛点，为科研工作者与开发者打造更懂开发者的技术框架，具备 3 大核心优势： 从…
-
构建可扩展、生产级的 Agentic RAG Pipeline：分层架构与六层核心设计详解
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。…
