Indegene 如何借助 LLM 实现生命科学领域企业数据质量的现代化与规模化
Indegene 在其 NEXT Unified Data Platform(NEXT UDP)上构建了生产级 LLM 驱动的 Data Quality Agent,可生成上下文感知的数据质量规则、完成验证并产出可直接运行的 SQL 和 Python 代码。
Indegene 在其 NEXT Unified Data Platform(NEXT UDP)上构建了生产级 LLM 驱动的 Data Quality Agent,可生成上下文感知的数据质量规则、完成验证并产出可直接运行的 SQL 和 Python 代码。
openJiuwen AgentMemory 在 0.2.0 版本上线多模态记忆能力 OmniMem-Lens,用视觉与听觉双流按真实事件边界切分长视频,并以 L0/L1/L2 三层记忆结构实现离线建记忆、在线查。
作者在开源 AI 呼叫中心 SmartCall 中提出「音频保持(Audio Hold)」机制:模型照常生成但音频先进缓冲区,同时异步检索知识库,命中就丢弃缓冲并注入知识重组回答,未命中或超时则原样放出,实现 fail-open。
本文以一条电商客服请求为主线,把 LLM、RAG、Agent、MCP、向量与余弦相似度串成完整链路,并给出 Java 侧生产级代码与 16 个踩坑对照表。核心要点包括五层架构划分、余弦相似度归一化后与内积等价的三个数学关系、工具集从 28 个运行时收敛到 5~8 个,以及 MCP 的 HTTP 端点默认无鉴权需前置安全边界。
EDB Postgres AI 的 AIDB 扩展将语义知识库(SemKB)放进 Postgres 数据库:业务含义存于 COMMENT 语句,连接路径来自外键,并经内置 MCP 端点暴露给 Amazon Bedrock AgentCore 上的 Strands Agents 智能体回答 C360 问题。
Gen Digital 用 Amazon Bedrock AgentCore Web Search 为生成式 AI 职业声誉管理平台 Norton Revamp 构建了 AI 策划新闻引擎,平台于 2026 年 3 月上线。
Amazon Quick 通过 S3 知识库接入非结构化文档、通过带语义描述的数据集接入结构化数据,用户可用单个对话式 AI agent 在同一对话中跨两类数据源提问并获得带引用的回答。
开源 Python 爬虫 Crawl4AI 可为 Amazon Bedrock Knowledge Bases 准备网页内容:爬取页面生成 Markdown 与元数据 sidecar 上传至 Amazon S3,再由知识库完成解析、分块、嵌入与检索。
老张复盘制造企业 RAG 项目,指出独立向量库存在晚高峰同步延迟 40 分钟、行级权限出库即失效等痛点,主张向量索引、过滤、权限与事务在同一引擎内完成。电科金仓给出 1 亿条 768 维向量下 98% 召回率、峰值内存降低 95.4%、查询延迟降低 80% 的口径,对应金仓 AI 数据库的库内语义构建、计算推理与原生安全管控能力。选型应先看数据位置、权限强度与规模,核心业务数据优先库内。
作者系统梳理了从 0 搭建企业级知识库的完整技术方案,提出六层分层架构以及写路径、读路径、运维闭环三条流水线。选型上推荐混合检索(BM25 + 向量 + Rerank)而非纯向量,中小规模优先用 pgvector,Embedding 首选 BGE-M3,并强调权限必须在检索阶段下推、离线与在线处理同源、先建 20–50 条黄金评测集再优化。
本文基于 Reverie(幻梦)源码,完整拆解了用 RAG 为 LLM 构建长期记忆系统的两条管线:写入时按情绪、关键词、重复等打分并经自治门分流到永久/长期/短期三层,检索时用向量召回、词法召回加融合打分(相似度×0.62、词法×0.16、重要度×0.08 等)选出最多 k 条、约 3600 字符的记忆注入 system prompt。
作者用 10 段文本、bge-m3 和 20 行裸 numpy 做完语义检索实验,再换 Chroma 同条件重跑,讲清 embedding 与向量数据库在本地大模型项目里承担的检索角色。
Apache Doris 与 Vane 把录音、图片、视频等多模态内容加工为文本、候选分类和向量,与订单、工单、生产批次等业务数据关联。Vane 将 SQL、Python UDF 与 AI Function 组织在同一条数据流中,完成转写、类别提取和 384 维向量生成,写入 Doris。
企业评估 GEO(生成式引擎优化)服务商可对照方法论、技术自研等六个维度,贝咨曼(MICROFACTOR)旗下 Metis AI Marketer 为文中参照案例。
腾讯网盘现已开启内测申请,用户可在官网提交申请,支持连接多个 AI 应用,实现共享存储与聚合上下文。其具备存储、连接、智能、安全四大核心能力,已打通企业微信、腾讯会议等办公工具及主流 AI 工具,并内置与 WorkBuddy 同一套 AI 能力。腾讯网盘已包含在 WorkBuddy 会员中,无需单独购买。
本文系统讲解大模型的幻觉(Hallucination)与护栏(Guardrails)两个核心概念。幻觉被界定为流畅但失实的结构性副产品,文章从生成机制、数据、架构与对齐交互四层分析根因,并给出用户侧提问核验、工程侧 RAG 与强制溯源、组织侧人工审核闭环的三层防治措施。
RAG、推理(Inference)与嵌入(Embedding)是 AI 应用与交互层的三个核心概念。RAG 让大模型先检索外部知识库再生成回答,以缓解幻觉与知识截止问题;Embedding 将文本压缩为低维稠密向量以保留语义相似性,是 RAG 检索环节的基础。推理则是训练完成后模型对新数据执行前向传播并输出结果的过程,分为快思考与慢思考两种模式。
作者开源了一套基于 FastAPI 的企业智能知识库 Python 后端,采用模块化单体架构,集成文档管理、全文检索、RAG 问答、KAG 知识增强与 Neo4j 知识图谱。
文章系统讲解了 AI 基础概念,涵盖机器学习分类、神经网络原理与大语言模型(LLM)核心机制。训练方面,梳理了预训练、SFT、RLHF 与 DPO 流程,说明 LoRA 与 QLoRA 如何将 GPT-3 175B 的可训练参数减少 10,000 倍以降低微调成本。
该文用 AWS CDK 在 Managed Amazon Bedrock Knowledge Base 上构建企业级智能体检索系统:推理智能体决定是否检索、查询哪个知识库,由 AgenticRetrieveStream API 返回带引用的答案。
Bayer Crop Science 基于 Amazon Bedrock AgentCore 构建了多智能体自然语言接口 Agentic Decision Engine(ADE),用于理解其 Connected Decision Engine 的 ML 工作流,首阶段约 80% 的用户问题无需工程师介入即可解决。
Hugging Face 与宾夕法尼亚大学合作开发了 LitPivot 系统,帮助研究者在早期想法阶段围绕文献展开"文献触发式转向"。LitPivot 将提案拆分为问题、贡献与评估方案三个 facet,用 Asta Paper Finder 检索相关文献并分组,提供带原文摘录的批评与修改建议,研究者可接受、编辑或拒绝。
游戏公司实习生为自建攻略知识库,用 DeepSeek 完成百万级游戏攻略的采集与整理,算上缓存命中两天消耗 100 亿 token。
华为云RDS Supabase AI应用正式开放公测,基于开源Supabase与华为云RDS PostgreSQL全托管能力提供开箱即用的BaaS服务。Data API、Auth认证、Storage存储、Realtime实时四大核心能力几行代码即可接入,内置pgvector向量检索,并支持通过MCP协议让AI Agent直接操作数据库。
示例讲解 Spring AI Alibaba 的 ChatMemory 对话记忆持久化、文生图、文生音与文本向量化功能。
作者用 Python 演示如何以约 40 行代码跑通 RAG 最小闭环(切分、向量化、检索、生成),再逐步加入阈值过滤、BM25 混合召回、交叉编码器重排与权限隔离。核心主张是数据质量优先于模型、检索质量决定约 80% 的效果,建议先跑通再按瓶颈逐层优化,并给出 chunk_size 默认 500 字符、相似度阈值 0.6–0.75、检索命中率 0.8 及格线等可复用参数。
AI 进化社推出开源企业级一站式 AI 智能测试平台,将分散的 AI 测试能力整合为统一可复用的企业级解决方案。平台采用六层架构设计,支持插件化场景扩展与私有化部署,通过 AI 网关统一调度云端与本地大模型。技术栈基于 Python、FastAPI、LangChain 与 Vue 3,覆盖自动化、性能、安全及 AI 测评全场景。
AI 全栈工程师需要打通算法、工程与应用三层能力,学习路线分为基础、模型、工程、应用四个循序渐进的阶段。基础阶段掌握 Python、NumPy、Pandas 与数据科学,模型阶段用 PyTorch 跑通神经网络"训练—验证—预测"闭环。
火山引擎C360 以 AgenticSearch 重构销售记录检索,解决传统搜索痛点,实现精准可溯源查询,正确率 84.0%。该能力已在多场景落地,赋能销售决策。
作者在内网服务器用 Ollama 以 systemd 服务纯 CPU 部署 qwen2.5:7b-instruct(4bit 量化后 4.7GB),实测冷加载 5.85s、prefill 约 68 tok/s、decode 约 8.5 tok/s、端到端 9.7s。
本文带你用 WorkBuddy 和 Obsidian 搭建一个会自我进化的个人知识库,整套流程分为搭骨架、存资料、整理、使用、定时更新五步。
BM25 是 TF-IDF 的升级版相关性排序算法,通过 IDF、词频饱和与文档长度归一化计算查询与文档的匹配分数。它适用于关键词精确匹配、专业领域搜索和小数据集,常与向量检索混合用于 RAG 召回,可用 rank_bm25 或 Elasticsearch 直接实现。核心调参为 k1(1.2~2.0)与 b(默认 0.75)。
KAIST 与 Microsoft 研究团队提出 CorpusMap,通过识别跨文档反复出现的实体,为 Agent 构建可预先建立并重复使用的文档导航结构。在三个基准数据集上,CorpusMap 将回答质量提高约 6.4~11.7 分,同时减少 34%~57% 的输入 Token 消耗。实体页面以普通文件形式保存,Agent 可沿用已有的文件搜索与读取工具,无需接入专门的图数据库查询接口。
MinerU 是上海人工智能实验室 OpenDataLab 团队开源的一站式文档解析工具,把 PDF、图片、Office 等文档高质量转换成 LLM 就绪的 Markdown / JSON。
作者用 Spring Cloud + LangChain4j + Milvus 搭建了可私有化部署的开源智能客服平台「智语」(MIT 协议,github.com/huangrenhui/ai-cs-parent),覆盖 AI 对话、RAG 知识库、工单、实时通信与客户管理五条主线。
这篇教程系统讲解了 AI Agent 评测的维度、打分方法和落地流程,指出被测对象是模型加上提示词、工具、知识库的整套系统而非模型本身。评测至少要回答结果对不对、过程合不合理、代价能不能接受、行为安不安全四个问题,打分按规则优先交给代码、规则写不了的交给 LLM、争议和高风险样本留给人工。
AI Agent 评测应在 PRD 阶段与需求定义同步启动,从结果、过程、效率和安全多维度判断 Agent 是否达到产品目标。传统布尔断言无法应对答案不唯一、结果正确但过程出错、LLM-as-a-Judge 评委自身漂移等问题,需结合确定性评分、轨迹评分、LLM-as-a-Judge 与人工评审四种打分方式。完整落地流程包含建数据集、配评分器、设执行环境、执行并记录、分析失败、持续回归六个环节。
Octave Reliance 在 Amazon Bedrock 上构建了三层安全多租户 AI 基础架构,将每个用例的部署时间缩短 50%。
Headroom 是一款本地运行的 LLM 代理与库,通过可逆压缩工具输出、日志与 RAG chunks,在不牺牲答案质量的前提下降低编码代理的 Token 消耗。
AI Agent 教程附录 E 按主题汇总五类经时间检验的资源:基础论文、工程指南、框架官方文档、基准与基础设施,每项附一句话说明价值。论文部分涵盖 CoT、ReAct、Reflexion、MemGPT、AutoGen 等奠基工作,指南部分收录 Anthropic《Building Effective Agents》及 MCP、A2A 官方规范。