跳到正文
10月16日周五
10月15日周四
  1. 掘金64

    Agent 开发入门:上下文五组件与消融实验的取舍次序

    Agent 每次调用 LLM 的上下文由系统提示词、工具定义、用户消息、模型回复、工具执行结果五部分组成,可按是否随交互增长切分为静态前缀与轨迹。消融实验给出定性次序:工具定义 ≈ 工具执行结果 > 历史消息 > 思考过程。工具定义缺失时模型会用参数记忆冒充观察,提示词约束不能消除幻觉;reasoning 是可重建的记录,重建成本低时可压缩。

10月14日周三
  1. AWS Machine Learning Blog37

    Orca Security 使用 Amazon Bedrock 实现自然语言安全查询

    Orca Security 与 AWS 合作构建了基于 Amazon Bedrock 的自然语言查询智能体 Discovery AI,可将自然语言问题转换为 Sonar 查询。相比初始基线,其查询成本降低 90%、输入 token 减少 93%、延迟降低 75%。该系统现每天处理数千次查询,响应时间约 15 秒,覆盖 900 多种云模型。

10月10日周六
10月8日周四
10月7日周三
  1. AWS Machine Learning Blog43

    Cornerstone OnDemand 如何借助 Amazon Bedrock 将数据库诊断时间缩短 78%

    Cornerstone OnDemand 基于 Amazon Bedrock 与 AWS 开源智能体编排框架 Strands Agents 构建多智能体系统 Orion AI,将数据库诊断时间从 45 分钟压缩至 10 分钟,降幅 78%。三人团队历时六个月完成交付,该系统将十余步手动数据库生命周期操作合并为单次自然语言交互,并将冗余告警量中位数削减 65%。

  2. IT之家72

    谷歌推出 EmbeddingGemma 2:支持多模态、7.4 亿参数量化手机端运行只需 191MB 内存

    谷歌正式推出 EmbeddingGemma 2,把嵌入能力从文本扩展到代码、图像、视频、音频,统一映射到同一嵌入空间。模型基于 Gemma 4 架构,总参数 7.4 亿,采用 Apache 2.0 许可;纯文本任务仅需 2.7 亿参数,量化后在 Pixel 11 Pro 上纯文本权重约占 191 MB 运行内存,完整多模态约 567 MB。

  3. Google DeepMind76

    EmbeddingGemma 2 发布:开源轻量级多模态嵌入模型

    Google DeepMind 发布 EmbeddingGemma 2,一个基于 Gemma 4 架构、740M 参数的开源轻量级多模态嵌入模型,采用 Apache 2.0 许可,可将文本、图像、音频和视频统一映射到同一嵌入空间。

    推荐理由:原文给出了参数量、模态拆分与量化后的内存占用,便于读者判断它能否直接落到自家端侧检索链路中。

10月5日周一
  1. MIT Technology Review · AI35

    MIT Technology Review Insights 报告:将 AI 智能体连接至企业知识

    MIT Technology Review Insights 对 300 位数据与 AI 高管的调研显示,仅约 34% 的企业 AI 智能体项目能进入生产环境,知识缺失是项目搁浅的主要原因。知识能力更强的领先企业平均有 61% 的项目越过试点阶段,而数据碎片化(55%)被视为扩大智能体知识访问的首要障碍。为打通数据与智能体的连接,企业将优先投资 RAG、知识图谱、摄取管道与 AI 评估智能体。

10月2日周五
  1. Hugging Face Blog66

    Ai2 开源 AstaBrief 8B,Asta 平台的快速报告生成模型

    Ai2 开源 AstaBrief 8B,它把研究问题与检索到的文献片段直接转成带引用的报告,训练数据一并开放。模型基于 Qwen3-8B,用 SFT 加 DPO 训练;在 Asta 的 Fast mode 下平均 51.1 秒生成一份报告,约为 Claude 驱动的 Thinking mode(178.5 秒)速度的 3.5 倍。

    推荐理由:原文给出一条可迁移的训练经验,用引用密度这一简单信号过滤合成数据,比更复杂的过滤组合更有效。

9月18日周五
  1. GitHub Blog · AI & ML45

    GitHub Podcast:该读 AI 生成的代码吗,RAG 死了吗,Skills 杀死了 MCP 吗?

    GitHub Podcast 最新一期逐一拆解了五个流行 AI 观点:开发者仍需对 AI 生成代码负责,但可按风险分级投入审查精力。Skills 与 MCP 并非竞争关系——MCP 提供工具与数据的标准接入,Skills 传递团队约定与最佳实践,两者可在同一工作流共存。RAG 也没有死,检索增强生成让模型基于训练数据之外的信息作答,并与 agent、Skills、MCP 协同工作。

9月16日周三
8月20日周四
  1. Mistral AI71

    Mistral AI 发布 Agentic Search:为 AI 系统提供更准确高效的检索结果

    Mistral AI 发布 Agentic Search 检索层,以多步检索循环让模型在复杂文档中查找、检视并验证信息,在 FinanceBench 上将正确率从 26.7% 提升至 86%,在 OfficeQA Pro 上从 6.3% 升至 51.9%,p90 延迟最高降低 39.6%,token 消耗最多减少三分之一。

    推荐理由:原文用两组基准给出 Agentic Search 相对一次式 RAG 的准确率、token 与延迟对比,可据此判断多步检索循环的收益边界。