LLM无限上下文会让RAG过时吗？全网65%用户认为不会_服务软件

1. 向无限 LLM 上下文窗口迈进

2. 为什么我不再相信“无限上下文”——记录我因为指出对方营销本质被拉黑那件事

3. LCM

4. 突破上下文限制

5. MIT大神新作

6. MIT 提出递归语言模型 (RLM)，解决LLM上下文长度限制

7. 递归语言模型登场！MIT华人新作爆火，扩展模型上下文便宜又简单

8. LLM无限上下文了，RAG（Retrieval Augmented Generation）还有意义吗？

9. 使用RAG技术构建企业级文档问答系统

10. LLM无限上下文了，RAG还有意义吗？

11. 长上下文LLM是否会淘汰RAG

12. AI算法原理0基础入门-第29回　超长上下文时代——RAG 还有用吗？

13. 长上下文、Agent记忆、Text2SQL中，谁会取代RAG？

14. RAG迎来挑战者

15. 终于搞明白LLM、RAG、AI Agents，这三者之间的区别和关联了！

16. 产品经理必备技术认知

17. 【基础理论】【方法论】检索增强生成(RAG)综合指南

18. 重塑 LLM 的“第二大脑”——RAG 技术原理与核心价值深度解析

19. 从LLM到Agent

20. LLM应用全流程开发全新技术+多案例实战+私有化部署

21. RAG讣告

22. 别迷信RAG了！按Token增长率，它注定被大模型淘汰 RAG就像“为了醋包饺子”。

23. RAG进化史

24. 高端RAG与基础RAG之争

25. RAG的定位和未来

26. RAG已死？OpenAI研究员选择保持中立

27. RAG生死辩

28. AI应用，RAG的挑战与未来

29. AI圈悄然兴起的技术革命

30. RAG技术全景探秘，RAG技术的二十种形态与AI未来的核心展望

31. RAG讣告

32. LLM+RAG自动更新知识图谱，Agentic RAG成新范式｜RAG技术本周大事

33. 《RAG的泡沫

34. RAG技术引爆企业AI革命

35. 一篇看懂RAG技术演进全景图 #大模型 #ai大模型 #RAG #大模型面试 #大模型学习

36. RAG技术能否突破大模型上下文限制？全网观点大PK

37. RAG已死还是进化？长上下文与检索增强生成技术路线大PK

38. RAG 已死？大错特错！

39. RAG与长上下文技术谁更实用？全网观点大PK

40. RAG是未来刚需还是性能过剩？全网观点大PK

41. RAG会被Agentic架构取代吗？600+开发者观点大碰撞

42. 花数十万接入顶尖AI失灵？企业通用AI的致命短板，RAG技术来破解

43. 大模型幻觉终结者

44. AI小白知系列-4

45. 一文读懂RAG与Agentic RAG，从检索到推理

46. 别再被忽悠了

47. 保护私人数据护城河，促进 AI 回流的 RAG 检索增强生成 AI 是什么？2000 字说清！

48. RAG技术被宣判死刑？底层原理打破谣言，实时性优势碾压蛮力方案

49. 从 RAG 底层原理拆解

50. 【AI前沿】RAG已死？不，它在智能体时代完成了进化

51. 长上下文窗口、Agent崛起，RAG已死？

52. RAG会被新技术取代吗？长上下文、Agent记忆与Text2SQL技术全面解析！

53. 面试官问

54. 从 RAG 到 CAG

55. 长上下文、Agent记忆、Text2SQL

56. 深度 | 告别静态检索

57. AI的未来，也许不在于模型规模的无限扩大。 #大咖观察 #红衣聊AI #transformer神经网络架构 #人工智能

58. 通俗易懂的解释 LLM，RAG 和 AI Agent 的差别，以下内容为原推的翻译：我终于明白了LLM、RAG和AI智能体的区别过去两年里，我一直在搭建真正落地的AI系统。现在，我终于清楚了：LLM（大语言模型）、RAG（检索增强生成）和AI智能体（AI Agents），根本不是互相竞争的技术，而是构成同一个AI智能系统的三个层次。很多人用错了方法，把它们当成互斥的工具。---> 大语言模型是“大脑” <LLM 就像AI的脑子，它会思考，会写作，也懂语言。但问题来了：它是冻结在某个时间点的。比如 GPT-4，它的知识截止到训练结束的那一天。你问它昨天的新闻发生了什么？那可就瞎编了。大语言模型很聪明，但却不了解“现在”正在发生的事。---> RAG是AI的“记忆” <这时候就需要 RAG（Retrieval-Augmented Generation，检索增强生成）了，它相当于给大脑接入了“外置内存”。当你提问时，RAG会先去外部数据库或文档里搜索，把相关资料抓出来，再丢给大语言模型作为上下文。这样一来，原本静态的模型一下子就“活”了：- 有最新的数据- 有真实的事实- 完全不需要重新训练模型最关键的是，准确率立刻就提高了。大语言模型不用再靠记忆乱猜，而是真正地在实时检索到的信息上进行推理。你甚至还能追溯每个答案到底用了哪些文档。---## > AI智能体是AI的“行动力” <尽管LLM能思考，RAG能提供新鲜的数据，但它们都缺乏真正的行动能力。这时，AI智能体（AI Agents）出场了。它在大语言模型的外面套上了一个控制循环：- 设定目标- 规划步骤- 执行行动- 回顾反思AI智能体并不仅仅是回答问题那么简单，它能自主地去研究一个话题、收集数据、撰写报告，甚至帮你发邮件，全程自动化。---> 真正的生产级AI，要同时用好这三者 <很多酷炫的AI展示，其实只是单纯用了LLM再配上花里胡哨的提示词。但真正能落地的AI系统，往往同时结合了这三个要素：- LLM 提供推理和思考能力- RAG 确保知识准确而新鲜- AI智能体则提供行动和决策能力---> 如何选用这三者？ <- 只用LLM 如果你需要纯语言的任务，比如写作、摘要、解释。- LLM + RAG 如果你需要回答涉及特定文档、技术手册、专业领域知识的问题，并确保答案准确无误。- LLM + RAG + AI 智能体如果你需要真正的自主行动，比如系统自己决策、执行任务、管理复杂流程。---> AI的未来，不是选哪一种，而是如何把这三层架构起来 <记住这个公式：- LLM负责思考- RAG负责知识- AI智能体负责行动真正的AI智能系统，就是这三者协同起来，形成一个完整的智能架构。来源：x.com/connordavis_ai/status/1985663551697273216

59. 刚刚，腾讯姚顺雨署名首篇论文发布，「下半场」先搞上下文学习

60. 图解 AI 智能体的上下文工程

61. 腾讯姚顺雨首篇论文提出「AI 下半场」先搞上下文学习，这意味着什么？

62. 推特热议、AI 万亿美元新赛道，「上下文图谱」到底是什么？创业机会在哪？

63. AI的终极价值是为了每一个人，蚂蚁的答案是「两朵花」世界互联网大会上，蚂蚁CEO韩歆毅透露AI布局的重点，明确蚂蚁锚定AI在医疗健康服务、金融服务上的应用，为大家守护好健康和财富。有网友调侃，蚂蚁这是要用AI让大家“有钱花”、“有命花”😂#蚂蚁集团 #科技普惠 #AI

64. 「Github一周热点91期」deepseek OCR、量化交易工具、Notebook开源替代、Linux换源工具、Windows优化项目和API 客户端

65. LLM不是在优化软件，而是在系统性拆除护城河：它把复杂界面折叠成对话，把厚重业务逻辑简化为提示词，把需要好几年才能做完的开发，压缩成几天就能搞定。凡是能被AI替代的壁垒终将崩塌，只有真正稀缺、不可替代的核心资产，才能在AI时代长久立足。

66. 创新Transformer！面壁基于稀疏-线性混合架构SALA训练9B模型，端侧跑通百万上下文

67. 这个《Context Engineering》还挺全面的，讲述了如何构建完整智能系统的综合指南。包括如何通过AI Agent、RAG、记忆系统和工具集成等核心技术，来解决LLM与外部数据、历史和现实世界相隔离的根本问题。其核心观点是，打造卓越AI应用的关键，在于系统性地设计和管理模型获取信息的方式，可以让你对AI系统有个全貌，从一个简单的“提示者”转变为一个智能系统的“架构师”。 #ai创造营##程序员#

68. OpenViking：一个非常实用的开源项目，专为AI Agent设计的上下文数据库，通过创新的“文件系统范式”统一管理Agent所需的记忆、资源和技能，彻底解决了传统向量数据库碎片化、检索效果差、上下文不可见的问题。主要亮点包括：- 文件系统管理范式，实现统一结构化管理，轻松浏览和操作上下文，像管理本地文件一样简单- L0/L1/L2三层上下文分级加载，按需调用，大幅降低Token消耗- 目录递归检索策略，结合目录位置和语义搜索，实现更精准、更全局的上下文获取- 可视化检索轨迹，完整呈现检索过程，方便调试和优化- 会话自动管理，自动提取长期记忆，Agent能“用得越久越聪明”支持Python包安装，也有Rust CLI工具；支持多家主流模型提供商，包含Volcengine、OpenAI、Anthropic、本地vLLM等等；同时提供详尽配置示例，轻松上手。新手快速开始示例脚本也非常简洁，几行代码即可增加资源、浏览文件结构、等待语义处理、抽取摘要、执行语义搜索，非常适合开发者验证和应用。同时官方推荐在云服务器（推荐Volcengine ECS + veLinux）环境中部署，保证稳定性和性能。如果你正打造智能Agent或者想优化上下文管理，强烈建议一试OpenViking，这个项目将让上下文管理和检索变得前所未有的清晰、高效、智能。GitHub地址：github.com/volcengine/OpenViking 官网：www.openviking.ai 文档：www.openviking.ai/docs

69. 在大模型应用中，如何提升RAG（检索增强生成）的能力？

70. 姚顺雨在腾讯首个研究：在“上下文”这事上，在座的各位都不及格

71. 旅行者，请查收风的邀约，惊喜庆典即将开启！蒙德城披上了盛装，一场迎接法尔伽大团长的庆典正在凯亚与可莉的策划下悄然诞生，诺艾尔与菲谢尔也纷纷现身…不过这场庆典的“惊喜”好像没那么简单？旅行者，一起来探索这座充满惊喜的蒙德城吧！在美食、欢聚、音乐等多重体验编织的盛会中，让我们共同创造值得铭记的绚烂时刻！庆典！砰砰大行动——《原神》羽球节互动主题区购票通道将于3月13日正式开启，各位旅行者请持续关注更多详情哦！ 2026年3月20日至5月31日，在北京环球度假区无限春日，让期待见面的心，一起在蒙德绽放吧！ *具体请以实际运营情况为准 #北京环球度假区 #超无限世界 #环球无限春日 #原神 #庆典砰砰大行动

72. 为什么#首批OpenClaw用户开始清醒了#？不仅仅是OpenClaw的问题，而是整个AI Agent浪潮中普遍存在的认知错位。 1、真正的问题不是“贵”，而是投入产出比的不确定性。用户本质上在为“可能性”付费，但这个可能性从未被量化承诺过。 2、开放文件系统、浏览器权限是Agent实现自动化的前提，但也是安全的死穴。这里存在一个不可能三角：自动化程度、安全性和易用性，你只能选两个。OpenClaw选择了自动化和易用性，牺牲了安全性。结果是用户在“便利”和“裸奔”之间做痛苦的平衡。当我们把权限交给AI，谁来监管AI？传统软件有明确的权限申请流程，但Agent的行为是动态生成的，难以预判。这是个未解的哲学问题。 3、AI领域正在经历反向的“返魅”，这个过程中，“教你赚钱”的教程和代安装服务本质上是信息不对称的变现。当信息差被填平（大厂推出标准化产品），中间商的泡沫就破了。 OpenClaw现在停在“泡沫破裂”阶段，但故事没有结束。关键的转折点在于： 1. 成本曲线：API价格会持续下降 2. 安全架构：沙箱技术、权限分级会逐渐成熟 3. 场景聚焦：从“万能”收窄到垂直领域真正的问题不是“OpenClaw会不会死”，而是谁能率先找到那个甜蜜点——成本可控、风险可承受、价值可量化的场景。 OpenClaw的故事是一面镜子，照出了整个AI Agent行业的三重困境： 1. 成本困境：不是技术太贵，而是价值不确定。用户愿意为明确的ROI付费，但不愿为“可能性”长期买单。 2. 安全困境：不是风险太高，而是控制权模糊。传统软件是“我让你做什么”，Agent是“你可能会做什么”。 3. 定位困境：不是能力不足，而是边界不清。万能往往等于平庸，专精才能创造不可替代的价值。三条可能的出路： 1. 成本瘦身：等待模型价格下降 + 本地化部署（手机端集成） 2. 安全兜底：沙箱隔离 + 权限分级 + 操作白名单 3. 场景深耕：从单一高频痛点切入（律师整理卷宗、电商客服），建立可量化的价值证明最重要的是：承认工具的局限性，放弃“全能”幻觉。就像计算器没有替代数学家，Agent也不会替代人类决策——它只是放大器，不是创造者。技术的成熟往往始于泡沫的破裂。那些在低谷期坚持解决真问题的人，才会等到春天。 #AI创造营##人工智能#

73. RAG、LangChain、Agent 到底有什么关系？

74. 年度好用AI大赏！【小白必备】

75. 研一刚入学导师让我搭各种LLM的Ai Agent框架，应该往什么方向努力才能出成果呢？

76. Vercel推Agent Browser：让AI自己控制浏览器，比Playwright省93%上下文

77. 为什么 LLM 仅预测下一词，就能「涌现」出高级能力？

78. LLM，RAG和Agent不是割裂的，而是一个整体。如果把 AI 系统比作一个生命体，那么 LLM = 大脑，RAG = 记忆，Agent = 执行系统。LLM 像是大脑的皮层，擅长理解、联想和表达。它能在复杂的语言世界中“即兴发挥”，像人类一样推理、总结、编故事。也会在需要时做出“认知上的决策”——比如分析问题的思路、选择回答的方向。然而，大脑并不擅长记住具体事实。它能推断“苹果会掉下来”，却未必记得“牛顿是什么时候发现的万有引力”。这时，就需要「RAG」登场。RAG 相当于一个“外接记忆系统”。当大脑想不起细节时，它能立刻翻查资料库，把相关的事实、文档、图像调出来，再交还给大脑整合成一段有根据的回答。于是，大脑不再是“瞎编”，而是“有据可依”。从技术上讲，这就像给模型装上一个搜索引擎——但比搜索更聪明，因为它能理解上下文、筛选关键信息、甚至融合多个来源的内容。Agent 则像是神经系统中的“执行层”。大脑想出了计划，记忆提供了依据，而真正“去行动”的，是 Agent。它决定什么时候要产生计划，要不要调用工具、查阅资料、生成报告，甚至与外部世界互动。可以说，LLM 负责“想”，RAG 负责“记”，Agent 负责“做”。当这三者协同工作时，AI 便不再是一个“聊天机器人”，而是一个有意识、有记忆、有行动能力的“数字生命”。#ai创造营##科技#

79. 尤瓦尔·赫拉利：中国将成为最先进入数据社会的国家之一尤瓦尔赫拉利：未来只有两种人，能驾驭算法的，和被算法驾驭的 10年前预测我们被算法锁定，现在又直接剧透下一个十年：信息垃圾、算法替代、意识幻觉、无用阶级、信仰重启 #AI #预言 #尤瓦尔赫拉

80. 这个项目突然就很火🔥🔥🔥DeepTutor 是一个由香港大学数据智能实验室（HKUDS）开发的 AI 辅助学习平台，旨在提供高度个性化的教育支持。该项目建立在多智能体系统架构之上，集成了RAG、网络搜索和代码执行等技术，用于处理复杂的学术任务。其核心功能涵盖了大规模文档问答、交互式知识可视化、自动化练习题生成以及深度学术研究探索。用户可以通过该系统构建个人知识库，利用 AI 生成结构化的研究报告，并参与针对性知识强化练习。此外，项目支持 Docker 部署，并提供了可视化交互界面，帮助大家高效地进行知识获取与创新。项目：github.com/HKUDS/DeepTutor#ai创造营# #程序员#

81. 如何才算是入坑llm呢？

82. 看完吴恩达 DeepLearning AI 「Agentic AI」前半部分，整理了一下。一、Agentic Workflows 介绍 Agentic AI工作流指的是由一个LLM作为核心“大脑”，通过自主决策来规划、执行多个步骤，并驱动各种工具以完成复杂任务的智能流程。其核心要素包括：LLM、多步骤执行、任务完成。 1. 自主性程度 - 较低自主性：步骤预先定义好，工具调用为硬编码。自主性主要体现在文本生成部分。 - 高度自主性：Agent 能自主做出决策，并可以动态创建工具。 2. 优势 - 性能更好：在使用相同模型的情况下，Agentic AI 通常能获得更优的性能表现。 - 并行执行：支持多个步骤或任务同时进行。 - 模块化与动态替换：可以灵活替换工作流中的特定模块或模型。 3. 任务拆解设计 Agentic AI 时，关键一步是对任务进行拆解。工作流/任务可以拆分为以下形式： 1）模型类型： - 大语言模型：负责文本生成、工具使用、信息提取等； - 其他 AI 模型：如 PDF 转文本、语音合成（TTS）、图像分析等。 2）工具类型： - 接口 API：例如网页搜索、日历查询等。 - 信息提取：如数据库查询、检索增强生成（RAG）。 - 代码执行：用于计算、数据分析等。 4. 评估的重要性 - 客观评价：可通过代码或计算进行量化评估。 - 主观评价：利用 LLM 对结果进行打分（例如 0-5 分），但并非最佳实践，后续会进一步展开。 - 评估可针对端到端流程，也可针对单个模块或步骤。 - 通过检查执行轨迹（trace）来进行错误分析和评估。 5. Agentic 设计模式 - 反思（Reflection）：将模型输出再次输入给模型，让其自我反思以优化结果；也可结合外部输入（如代码执行结果）进行反思；还可设计专门的反思 Agent 或使用不同模型进行反思。 - 工具使用（Tool Use） - 规划（Planning） - 多智能体工作流（Multi-Agent Workflow）二、反思（Reflection）反思是指通过固定步骤对 LLM 的初次输出进行再次思考和分析的过程。结合外部工具或输入进行反思，往往能获得更优质的结果。实践证明，反思是显著提升模型性能的有效方法之一。在实践中，使用推理能力更强的模型专门负责反思任务，通常能取得更好的效果。三、工具使用（Tool Use） LLM 本身并不直接执行工具，而是由 LLM 指示执行引擎调用特定工具。执行引擎负责实际调用工具、获取结果，并将结果返回给 LLM，LLM 再基于这些结果生成最终输出。代码执行（Code Execution）是一个非常有用的工具。 LLM 可以生成 Python 代码，由执行引擎运行代码并返回结果。需要注意的是，执行代码时需考虑安全性，建议在 Docker 或沙箱环境中运行。模型上下文协议（MCP）的出现，极大地减少了工具调用的开发工作量，从原来的 m*n 级别降低到 m+n 级别。 #ai创造营##程序员#

83. 2025 到底是 LLM 的「什么年」？

84. 有50%的白领工作已经可以被AI替代了#马斯克 #AI #白领 #职业规划 #职场

85. DeepSeek-OCR一开始以为是又一个普通的OCR模型，认真看了下论文，发现其重点是压缩，可以有助于LLM或者Agent的记忆管理。DeepSeek-AI 团队提出了一种全新的Contexts Optical Compression 方法，核心思想是：利用视觉模态作为一种高效的文本压缩媒介，以图像形式表示长文本，从而大幅减少LLM处理长上下文的计算负担。DeepSeek-OCR 首次验证了将文本信息以视觉形式进行高效压缩与恢复的可行性，在 10× 压缩下仍能近乎无损地还原文本。1. 研究动机当前LLM在处理长文本时面临计算量随序列长度平方增长的问题。论文提出将长文本转化为图像，让视觉模型（VLM）对其进行编码，用较少的视觉 token 表示大量文本信息，实现“以视觉压缩文本”的思路。这种“光学压缩”既能显著减少 token 数量，又可能启发 LLM 的长期记忆与遗忘机制研究。2. 模型架构DeepSeek-OCR 由两部分组成：（1）DeepEncoder：一种新型视觉编码器，结合 SAM-base（局部注意力）与 CLIP-large（全局注意力），中间加入 16× 卷积压缩模块，可在高分辨率下保持低激活内存并显著减少视觉 token。（2）DeepSeek-3B-MoE 解码器：基于 Mixture-of-Experts 架构，推理时仅激活 570M 参数，用于从视觉 latent token 重建原始文本。3. 多分辨率与模式支持DeepEncoder 支持多种输入模式（Tiny、Small、Base、Large、Gundam），对应不同分辨率与视觉 token 数，方便在研究不同压缩率或实际应用时灵活选择。例如 Gundam 模式可解析超高分辨率文档（如报纸），最高支持动态拼图式输入。4. 视觉遗忘机制作者提出“视觉化遗忘机制”假设：可以通过逐步缩小图像分辨率模拟人类记忆衰减过程，实现“信息随时间模糊化”的长期上下文管理。光学上下文压缩或可成为未来 LLM 无限上下文架构的关键方向。项目：github.com/deepseek-ai/DeepSeek-OCR#人工智能##程序员#

86. RAG已死？智能体与长上下文窗口引爆AI检索革命！

87. RAG 深度实践系列（三）：RAG 技术演变与核心架构的深度剖析

88. LLM、RAG、Agent三者关系揭秘：不是竞争而是互补，一文搞懂AI三层架构！

89. PageIndex 能替代传统RAG吗？

90. AI系统设计三问：何时用LLM？何时加RAG？何时需AI代理？

91. 别再搞混了！LLM、RAG、Agent到底啥关系？一个比喻全看懂

92. 检索增强生成（RAG）2025最新综述深度解读（1）：架构、评估与发展趋势

93. 转转前端周刊第180期: 2025 年 RAG 技术年终总结

94. 长上下文（Long-Context LLM）相关技术

95. RAG技术全景探秘，RAG技术的二十种形态与AI未来的终极答案

96. 一文读懂RAG与Agentic RAG，大模型检索增强技术的完全指南

97. 解决知识图谱过时问题：大模型与RAG技术的完美结合！

98. CompLLM：突破长上下文处理瓶颈，实现4倍加速的LLM压缩技术

99. 2025 封神级大模型技术手册：LLM、RAG、Agent、MCP 核心逻辑全拆解

100. 大型语言模型的规模效应局限

101. LLM、RAG与AI Agent三者的协同工作机制，程序员必学收藏

102. 长上下文建模综述

103. 2025ACL 检索增强（RAG）LLM相关论文总结

104. 长上下文大模型综述：挑战、价值与技术路径

105. Meta新作REFRAG：LLM推理提速30倍！颠覆性框架让RAG不再有长上下文焦虑。

106. 为什么Claude Code不用RAG？

107. EMNLP2025｜提出E2LLM框架：打破长上下文“不可能三角”范式，显著提升LLM计算效率

108. RAG 进化之路：传统 RAG 到工具与强化学习双轮驱动的 Agentic RAG

109. RAG vs 微调：LLM优化双路径指南 + LLaMA-Factory Online高效落地

110. 为什么我不再相信RAG？实战RAG弊端揭秘

111. 建议收藏 | RAG技术新范式详解：从静态检索到Agent动态工具的演变之路

112. ACE智能体上下文工程：开源模型逆袭的关键钥匙？性能匹配顶尖商用巨头的技术秘密 - 哔哩哔哩

113. 清华提出 Glyph：通过视觉-文本压缩突破上下文窗口限制的新范式

114. 一文深度解析递归语言模型（RLM）：突破LLM上下文瓶颈的创新推理策略

115. 别只盯着大模型了：2026年，RAG技术或将重塑企业AI

116. 必收藏！四大RAG技术形态全解析（小白入门+程序员选型，彻底解决LLM知识过期与幻觉痛点）

117. 传统Transformer和RAG的末日？ExplicitLM让内置知识不再是“黑盒”

118. RAG 技术 2025 展望：从检索生成到 Agentic RAG 的系统演进

119. oLLM 如何在 8GB 3060 Ti 上实现 100k 上下文推理？

120. 清华、智谱推出Glyph框架：通过视觉-文本压缩扩展上下文窗口

121. 颠覆上下文长度极限！MIT华人带队提出递归语言模型：模型可以递归调用自己，GPT5也能轻松处理千万Token，性能可提升2倍，成本最多省3倍！

122. 你们用过复杂RAG吗，知道什么是Agentic RAG吗？

123. 用视觉压缩文本！清华、智谱推出Glyph框架：通过视觉-文本压缩扩展上下文窗口

124. RAG与GraphRAG的主要差异对比

125. 为何谷歌文件检索技术可能取代企业自建的RAG技术栈

126. 高级检索增强生成系统：LongRAG、Self-RAG 和 GraphRAG 的实现与选择

127. 真·开外挂！MIT新研究：架构0改动，RLM让大模型解锁千万级上下文，核心算法还开源了！

128. RAG技术演进：从检索辅助到智能体，掌握大模型应用的关键技术！

129. oLLM：超长上下文推理库

130. 2025年RAG技术五大方向演进：从检索工具到智能体生态的核心中枢

131. LLM自编程：上下文无界

132. 从Naive到Agentic：一张图看懂RAG的8层进化 “RAG已死”的论调最近火了，但这可能完全误解了RAG的进化方向。上周Hacker News上一篇《RAG讣告》引发热议：大上下文窗口和智能体搜索是否真的淘汰了RAG？本期视频，我们不站队吵架，而是系统梳理从Naive RAG到Agentic RAG的8种核心架构。你会发现，它们并非彼此割裂的选择题，而是一条清晰的“智能升维”路径。我们将深入探讨：为什么“grep搜索”无法解决企业级语义检索问题？ RAG架构进化的四大方向：质量控制、多视角、知识结构、自主智能。面对成本、规模、语义理解三大盲区，如何正确选型？给实践者的三个务实建议：如何起步、评测与避坑。无论你是想入门RAG，还是正在为复杂系统选型纠结，这支视频都将为你提供一份“进化地图”。理解方向，远比追逐单个热点更重要。 #RAG #大语言模型 #AI智能体 #检索增强生成 #上下文窗口

133. 近期最有意思的RAG进化：可控检索告别“垃圾进垃圾出”

134. 为什么“传统的”RAG不够用了？

135. 10倍压缩，97%精度：DeepSeek-OCR探索“光学压缩”路径，或为LLM长文本开辟新思路

136. RAG 深度学习指南

137. 深度解读 Recursive Language Models：利用递归与环境交互突破 LLM 上下文限制

138. 超越基础RAG：AI智能体实现上下文感知回复

139. Python+NetworkX+spaCy实现Graph RAG图检索增强生成结合NER与知识图谱优化非结构化文本数据检索|附代码数据

140. LLM在转转回收问答系统的主要应用场景及关键技术

141. 告别RAG慢查！港大团队力作LightRAG：轻量、高速、知识图谱 RAG 新范式！

142. 一篇400+文献最新RAG技术系统性综述

143. Python+NetworkX+spaCy实现Graph RAG图检索增强生成结合NER与知识图谱优 - 哔哩哔哩

144. 生产级别的RAG系统是什么样的？

145. LightRAG：图结构革新RAG系统，双层检索提升效率，程序员学习大模型必看！

146. 多模态与图谱融合是RAG技术的未来吗？全网观点大PK

147. 超越 RAG：在语义世界中的精确过滤

LLM无限上下文会让RAG过时吗？全网65%用户认为不会

精选参考来源