基於知識圖譜的檢索增強生成如何改善 Schema Matching
KG-RAG4SM 透過從外部知識圖譜檢索相關子圖,改善 Schema Matching,並在無需重新訓練的情況下減少大語言模型幻覺。
KG-RAG4SM 透過從外部知識圖譜檢索相關子圖,改善 Schema Matching,並在無需重新訓練的情況下減少大語言模型幻覺。
SkinMind 是多模態智能體 RAG 框架,透過反覆探索大型皮膚科知識圖譜,蒐集文字及圖像證據,回答皮膚科視覺問題時比直接作答及其他檢索方法更準確。SkinMind-KG 整合皮膚科指引、教科書及 423K 張圖像,包含超過 1.0M 個節點和 2.0M 條邊。
Apple 研究人員在 ICML 2026 發表 Amortizing Maximum Inner Product Search with Learned Support Functions,透過離線訓練的小型神經網絡,為固定的 key 數據庫學習查詢路由,以加快並提升 MIPS 檢索準確度。
Box 在 BoxWorks 公佈 Box Context Retrieval 搜尋引擎及 Box Architect 工作流程建構工具,並擴大與 Nvidia 的合作。
Conor Bronsdon 梳理五段 Chain of Thought 對談,整理大語言模型上下文與檢索設計的實務要點。文章涵蓋向量檢索結合圖關係和中繼資料篩選、智能體記憶的分類與遺忘規則,以及查詢標準化、分塊和重排序的評測。對智能體 RAG,作者建議把模型反覆取數視作狀態轉換,並為檢索 API 設計穩定 ID、可篩選的中繼資料和記錄機制。
阿里雲百煉大模型服務平台(Model Studio)涵蓋模型推理、應用開發、知識庫 RAG、Agent、模型微調及專屬部署六大模組。雙十一優惠包括全模型低至4.5折、Wan3.0-Video限時7折,以及新用戶超7000萬免費 Token,有效期90天。文章亦整理按量付費、Token Plan等計費方式,並按用量、場景和團隊規模提供選購與接入指引。
Box 宣佈擴大與 Nvidia 的合作,推出由 Nvidia AI 模型支援的 Box Content Retrieval,為企業智能體建立可檢索的內容上下文層。
作者指出,按僱主行業篩選 IT 職位,可能在嵌入模型處理職位描述前排除銀行工程師,因為行業代表僱主業務,而職業分類代表工作職能。文章建議分開保存職業分類與僱主行業,並只按查詢需要施加相應篩選;文中提供欄位配置、序列化程式碼及合成職位案例。合成案例用於檢查納入邏輯,不能代表實際分類準確度;檢索召回及市場覆蓋仍須另行評估。
文章指出,RAG 的檢索能力在資料攝取階段已受切塊方式限制;切得過細會拆散規則與例外,切得過大則會模糊語義。不少常見嵌入模型的序列上限為 512 tokens,單靠字符數設定可能導致內容被截斷。作者比較固定尺寸、遞迴字元和結構感知切分,並説明重疊及保留文件結構如何保留上下文。
這份 GEO 診斷手冊將內容未被 AI 引用的問題分為三種症狀和六類病因,並為各類病因列出檢查與修復方法。六類病因包括檢索盲區、段落不可提取、實體口徑混亂、數據無口徑、結構化標記問題,以及內容陳舊且缺乏監測。修復順序由確認頁面是否進入候選集開始,再處理段落與數據、實體口徑和結構化標記,最後建立監測及更新機制。
文章以 Zyte API、Qdrant 和 LangChain 建立網上書店聊天機械人的 RAG 網頁資料管線,先檢查抓取內容,避免封鎖頁或空白頁覆蓋向量資料庫中的有效資料。
作者在 Postgres 和 TypeScript 上以 100 道 MuSiQue 多跳問題測試 Graph RAG,Graph + hybrid 的準確率為 42%,高於混合搜尋的 28%。Graph 單獨使用的 35% 結果未能明確勝過混合搜尋;建圖一次需約 964,000 tokens,約為整個混合搜尋評測 token 用量的 12 倍。
RAG 在大模型生成回答前,先從外部知識庫檢索相關資料並注入提示詞,讓模型依據證據作答,無需重新訓練即可更新知識。這項技術由 Meta AI 與斯坦福大學於 2020 年提出,公開研究顯示可抑制約 30%-50% 幻覺。文章拆解離線索引與線上問答流程,並比較 RAG、微調及提示詞工程,提供企業落地五步與常見問題排查方向。
Tavily 是面向大語言模型的 AI 原生搜索 API,會執行查詢改寫、網頁召回、正文抽取、內容壓縮及可信度評分,並返回可供模型使用的結構化結果。它提供基礎搜索和深度搜索,可接入 LangChain、LlamaIndex 及 Agent;服務以 SaaS 方式提供,不能私有化部署。中文檢索和正文抽取能力較弱,且按檢索次數收費。
Qwen3.8-Flash 推出雙十一分層優惠,涵蓋按量節省計劃、Token Plan 訂閲、夜間折扣、上下文快取折扣及新用戶免費額度。按量計費與 Token Plan 是互相獨立的通道:前者可享包季最低 4.5 折及快取折扣,後者新客首購 5 折,並於夜間指定時段享 4 折 Credits 抵扣。夜間折扣只適用於 Token Plan,優惠與額度不可跨通道互用。
文章比較棄購挽回外掛與自建 AI 智能體,指出外掛適合因忘記而離開的顧客,自建智能體則適合因結帳疑問未獲解答而放棄購物車的情況。智能體會讀取購物車及顧客互動脈絡,根據商品、運送和政策資料回答問題,並在涉及金錢、投訴或知識庫以外內容時轉交真人。
企業 RAG 知識庫的分塊應按文件結構選擇策略;文中指出,結構感知切分配合父子塊,通常比單純調整塊大小更有效。文章區分條款、表格、層級和敍事型文件,介紹固定長度、按段落、按標題層級、語義及混合切分五種策略。作者建議以人工標註的五十至一百條真實問題建立固定評測集,分開檢查召回率和答案完整度。
阿里雲瓴羊 Quick Service以AI Agent閉環執行為核心,串連語義理解、知識檢索與後端系統調用,讓客服可在對話中處理查物流、改地址及退款等任務。產品已服務超過5萬家企業,AI問答準確率達93%,並支援十餘款主流模型。其部署模式包括SaaS、私有化及混合雲。
文章比較AI數據庫庫內計算推理與外掛向量庫的成本結構,指出出庫方案雖可節省算力,仍須計入同步鏈路、副本、權限、審批及雙套運維成本。選型要看數據能否出庫、權限複雜度、更新頻率及團隊能否維護兩套系統。金倉公佈的測試中,1億條768維向量在98%召回率下,峯值內存開銷較業界降低95.4%,查詢延遲降低80%。
阿里雲瓴羊 Quick Service 為中小企業提供智能客服平台,以 AI Agent 在對話中完成查物流、改地址及退款等操作。系統問答準確率達 93%,可自動處理 80% 以上常見問題,複雜業務處理時間可縮短約 60%。平台提供 SaaS、私有化及混合雲部署,並採用模組化訂閲。
Team Modern Security 的指南指出,具網絡安全、軟件開發或 AI 應用背景的人可考慮於 2027 年投身 AI 安全。英國核心網絡安全職位招聘中要求 AI 技能的比例,由 2024 年的 4% 升至 2025 年的 9%;ISC2 於 2026 年 9 月的研究則顯示,印度 52% 受訪網絡安全專業人士將 AI 列為其組織的首要技能需求之一。
阿里雲 OSS 以 Object、Table、Vector 三種 Bucket 管理非結構化、結構化及向量數據,三者共用 SDK、權限策略、日誌審計和生命週期管理。Vector Bucket 支援隨向量儲存標量元數據、按元數據篩選及匯出至表格儲存。Table Bucket 原生支援 Apache Iceberg,並由儲存端處理 Compaction、快照管理和孤兒文件清理。
阿里雲瓴羊 Quick Service 在實測中可透過 AI Agent 呼叫後端系統,將客服對話由回答問題推進至完成查物流、催發貨等操作。系統採用 RAG 增強知識庫及情緒—複雜度雙閾值人機協同;商家實測數據顯示,轉化率提升 8.39%,轉人工率下降 45%。雲原生架構支援萬級並發,P99 響應時間可控制在 1.5 秒以內。
阿里雲瓴羊 Dataphin 以「治理即研發」為核心,將標準、質量規則和安全策略嵌入數據研發流程,並以 AI 能力支援數據治理。V6.1 將文檔、音頻、圖片等非結構化數據納入統一治理,提供近50個開箱算子;V6.2 把知識圖譜延伸至查詢、消歧和 OpenAPI 服務。文章亦比較 Dataphin、Informatica、Collibra 和 Atlan 的設計重心,並提出數據治理工具的選型考量。
文章按訓練、使用、結構與成本、評測四類,解釋 SFT、LoRA、RAG、Agent 等常見縮寫所處理的問題及適用場景。選型時先分清需求是知識、形式還是能力,例如資料會變或需要追溯來源時用 RAG,穩定任務可考慮 SFT 或 LoRA。
文章提供將網站頁面整理成供 RAG 使用的 Markdown 分塊流程,從限定爬取範圍、抽取主要內容,到按標題切分並保留引用所需中繼資料。程式會按標題及段落切分,避免拆開程式碼區塊,並把標題路徑加入嵌入文字;每個分塊另保存 URL、頁面標題等資料。
Octop 提供開源自託管 AI 助手平台,讓多個專家智能體共用知識庫與記憶,並透過網頁控制台、命令列和 IM 渠道提供統一入口。它支援知識庫 RAG、定時任務及多種 IM 接入,會話、工作區和憑證均保存在自己的實例中。透過阿里雲計算巢部署約 1 分半可用,但不附模型額度,需自行提供模型 Key;Passkey 登入、語音輸入等功能不能在瀏覽器使用。
這份架構決策記錄建議以 Node.js 為客戶支援內部 Wiki 助理建立權限過濾的檢索流程,並將 50,000 篇文章規模下的索引成本列為主要設計約束。按每篇平均 12 個 chunks、保留 2 個修訂版本估算,索引約有 1.2 million 個向量記錄(未計副本);保留 5 個版本則為 3 million,文中説明這只是待實測替換的規劃示例。
在 999,000 個向量、最低召回率 95% 的測試中,HotKV 的查詢吞吐量在 1 個用戶端時為 Redis 8.10.2 的 1.4 倍,100 個用戶端時增至 7.9 倍。HotKV 在所有用戶端數量下的中位延遲均較低,Redis 的吞吐量在 32 個用戶端後趨於平穩。測試只涵蓋一部機器上的一個數據集,HotKV 使用尚未發布的開發版本,結果應視為測量數據而非排名。
Folio 正探索為 AI 智能體建立持續記憶層,記錄並重用工作流程中的決策、推理與背景脈絡。RAG 可以檢索現有資訊,卻無法找回從未記錄的知識。Folio 現正以研究項目記憶為起點,探索如何保留來源證據、管理存取權限,並由人確認重要決策。
作者提出一套包含 16 個合成案例的 RAG 測試,檢查企業 AI 助手在權限撤銷後如何處理已載入對話的資料、快取答案及共享回覆。文章建議在內容使用或披露前重新核對請求者與所有接收者的權限;若無法確認舊上下文仍獲授權,便應使其失效,並以目前獲授權的來源重新作答。這些測試未在任何商用助手上執行,亦不是安全基準或供應商評測。
這套 Agentic RAG 方案透過 OpenDMA 在 Alfresco 搜尋文件,並以目前用戶的身份取得內容交由 LLM 作答,毋須建立另一個持久向量資料庫。
MariaDB 於 2026 年 11 月 4 日推出 Enterprise Platform 2027,整合交易、分析、記憶體內及 AI 能力。Agent Memory 可在每個步驟後儲存狀態並跨智能體與工作階段共用;AI Retrieval 可檢索文件及即時營運資料,Semantic Cache 則重用語意相同問題的既有回應。
IBM 的 Granite Guardian 是面向 Granite 模型的開源 guardrails 解決方案,以 Apache 2.0 授權,規則可供檢視和本地修改;專有 guardrails 則不容許外界獨立檢查其規則。
LangChain 是一個開源框架,透過連接 LLM、提示詞、資料、工具、API 與記憶,協助構建 AI 應用。框架涵蓋 Model I/O、資料連接、Chains 和 Memory 等組件,可用於構建聊天機械人、RAG 系統及 AI Agents。
Cohere 宣佈 Embed 5 和 Rerank 5 已在 OpenRouter 上提供,用戶可沿用現有 API key 和額度,無須另設 SDK、帳戶或帳單。
Forkfolio 以用戶的 GitHub 帳戶作為資料來源,從公開儲存庫建立作品集,並透過每晚同步及 GitHub webhook 更新內容。平台提供 21 款設計(其中 3 款免費)及只根據公開項目回答訪客問題的 AI 助手;一次付費 $19(推出優惠價,原價 $29)可解鎖全部設計和自訂網域,毋須訂閲。
文章提出為 AI Agent 設計持久記憶架構,讓系統在不同提示詞工作階段保留上下文,減少用戶重複交代基建限制。架構會先查找相關歷史設計選擇,再把資料加入提示詞,並將新的結構修改寫入持久記憶快取;擴展時可採用高吞吐量快取或本地嵌入式資料庫。
團隊設計了一種採用長期記憶圖譜的 AI 智能體架構,讓智能體能在不同工作階段保留上下文,並參照過往系統狀態、文件及開發者輸入。架構透過回憶、執行和寫回圖譜三個環節,檢索歷史配置以補充基礎模型,並保存新的結構修改。
MariaDB 表示,將在 Enterprise Platform 2027 加入 AI Retrieval、AI Plugins、Agent Memory 和 Semantic Cache 四項面向智能體的新功能。