标签：retrieval-augmented-generation
-
Agentic Sites：基于大模型实时重构的超个性化网站架构与实践
📝
🎙️ AI Engineer
📄 Adobe 首席科学家 Carlos Sanchez 详细展示了 Agentic Sites 架构。该方案结合边缘交付与极速大模型推理（如 Cerebras 驱动的 Gemma 模型，达 2300 tokens/s），通过对全站构建 RAG 知识检索，并实时捕捉用户行为与搜索意图，实现秒级组装超个性化页面，颠覆传统千人一面的建站与营销自动化模式。 -
重构 AI 与知识的联结：微软 CVP 阐述智能体的三维知识演进与工程实践
📝
🎙️ AI Engineer
📄 微软杰出工程师兼 CVP Pablo Castro 探讨了智能体时代知识的三大维度：内源知识、外源知识和学得知识。他详细介绍了微软 Foundry、Microsoft IQ 以及 Agent Optimizer 等工具，展示了如何通过混合检索与自主优化构建高效的企业级 AI 学习闭环。 -
AI 生成内容的法律倒逼：从 91% 准确率到全球问责时代
📝
🎙️ House of El - AI
📄 探讨近期慕尼黑与密西西比州法院针对 AI 幻觉和事实错误的裁决，深入解析 AI 产品面临的法律责任转变。文章论证了这一法律拐点如何终结科技巨头“先发布后问责”的野蛮生长，推动大语言模型向真正可靠的架构演进。 -
搜索的未来：Agent、RAG 与为何检索依然至关重要——访 Turbopuffer 创始人 Simon Eskildsen
📝
🎙️ Latent Space
📄 本次访谈深入探讨了 Turbopuffer 的诞生背景及其创新的数据库架构。创始人 Simon Eskildsen 分享了他在 Shopify 扩展 Elasticsearch 的痛苦经历，以及如何利用 S3 的强一致性与 NVMe SSD 构建高性能、低成本的向量与全文搜索引擎。他还详细讲述了为 Cursor 和 Notion 优化 RAG 成本的故事，并提出了“P99 工程师”的招聘哲学。 -
大语言模型记忆机制：权重与激活的深度解析
📝
🎙️ AI Engineer
📄 本文深入探讨了大型语言模型（LLM）的知识存储与检索机制，对比了三种核心方法：全上下文、检索增强生成（RAG）和权重注入（训练到模型参数中）。讲者详细分析了全上下文的成本与推理瓶颈，揭示了RAG在安全性、适应性和复杂推理方面的局限性。核心论点在于，通过合成数据生成和参数高效微调技术，将知识直接训练到模型权重中，能够有效克服现有方法的挑战，实现更智能、更专业化且推理成本更低的LLM应用，并探讨了未来模型个性化与持续更新的潜力。 -
斯坦福 CS230 | 2025秋季 | 第8课：超越 LLM——Agent、提示工程与 RAG
📝
🎙️ Stanford Online
📄 本讲座深入探讨了如何超越基础大语言模型（LLM）构建实际的 AI 系统。内容涵盖了从提示工程（Prompt Engineering）、微调（Fine-tuning）到检索增强生成（RAG）的优化路径。重点讲解了吴恩达（Andrew Ng）定义的 Agentic AI 工作流、Agent 的核心组件（内存、工具、规划）以及多 Agent 系统。通过客服 Agent 案例演示了评估框架，并展望了多模态和架构搜索等未来趋势。