弥合人工智能差距:新一代知识获取方式如何助力政府实现使命目标
IDC 对 685 名公共部门受访者的调查发现,72% 的受访者认为将 AI 从试点推广到生产应用“非常困难”或“比较困难”,数据就绪度、技能缺口与安全合规风险是主要障碍。
IDC 对 685 名公共部门受访者的调查发现,72% 的受访者认为将 AI 从试点推广到生产应用“非常困难”或“比较困难”,数据就绪度、技能缺口与安全合规风险是主要障碍。
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。
微软为 Copilot 等 AI 智能体推出依托 SharePoint 和 Work IQ 知识编译引擎的新技术,在不升级底层大模型的前提下将响应速度提升至原来的 4 倍,Token 消耗减少约 30%。
基于 Amazon Bedrock AgentCore 的 AI 智能体系统可将季度报告、合规文件等企业文档自动生成客户演示文稿,内部测试 90 秒内完成。
ShipStation Global 基于 Amazon Bedrock AgentCore 构建了 Slack 内的 AI IT 帮助台智能体 Deckhand,可回答常见 IT 与公司问题、读取错误截图并创建和更新 Jira Service Management 工单。
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。
Postman 在 Amazon Bedrock 上运行 Agent Mode,为 4000 万开发者提供覆盖 API 测试、文档、发现与实现的 AI 智能体能力。
推荐理由:文章给出了把智能体嵌入成熟产品时可复用的工程模式,如动态裁剪工具集、用 schema 读取代替工具泛滥。
Amazon Quick 与 Amazon Bedrock Knowledge Bases 通过在查询时直接向权威数据源实时校验访问控制列表(ACL),解决企业 RAG 场景下的文档权限难题。
Qlik 基于 Amazon Bedrock 构建企业级 AI 助手 Qlik Answers,为全球 40,000 多家客户提供带来源、可验证的问答能力。自 2026 年 2 月正式上线以来,其 Discovery Agent 已为客户呈现超过 100,000 项发现。
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%。
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。
Google 发布开源多模态嵌入模型 EmbeddingGemma 2,参数量 740M,号称是同类最紧凑模型,在多模态嵌入基准上超过两倍于其体量的竞品。
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。
AWS 发布指南,详解如何用 Amazon Bedrock AgentCore、Managed Knowledge Base 和 Nova Sonic 构建语音旅行礼宾。智能体基于 Strands Agents 与 MCP 对接后端,实现语音查航班、改座位与转接人工。系统各层可独立扩展,并提供含合成数据的示例航空后端。
AWS 官方博客逐步演示了在 Amazon Bedrock Managed Knowledge Base 上用 LangChain 构建 RAG 应用,对比标准检索与智能体检索两条路径。
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。
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。
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。
Google Research 在 ICML 2026 论文中提出 Retrieve-for-Train 框架,用离线 RL 将数据库感知的查询分解编译为监督信号,推理时无需思考 token 即可单次生成属性对齐的查询扇出。
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。