Pike RAG vs Self RAG？我们汇总了78位技术用户的真实观点_服务软件

1. RAG进化论

2. AI也会"三思而后答"？揭秘Self-RAG智能检索术

3. 2025最新rag综述（2）——RAG技术发展流程、最新技术挑战与系统级优化

4. 从RAG到Agentic RAG再到Agent存储机制的演变

5. RAG的主流类型第二期

6. 进阶RAG学习笔记

7. RAG 架构演进全图

8. 【专题小结】Agentic RAG及其架构模式

9. RAG永不过时！5大环节，13大策略，搞定企业级RAG优化

10. 从失败中学习，榨干经验包，实现性能飞跃 ——Google Agent研究

11. 如何系统性的学习RAG、Agent、MCP?

12. 构建智能问答系统通常面临查询模糊、上下文理解不足和检索效率低等挑战。Agentic RAG for Dummies 是一个基于 LangGraph 的极简 Agentic RAG（检索增强生成）框架，帮助你用最少代码快速搭建具备会话记忆和人机交互查询澄清能力的生产级系统。项目集成了多功能模块： - 会话记忆，保持对话上下文连贯； - 智能查询澄清，自动重写或请求补充信息； - 分层索引，实现精准且上下文丰富的检索； - 多Agent并行处理复杂多问； - 灵活切换多种大语言模型（Ollama、OpenAI、Google Gemini 等）； - 开箱即用的 Gradio Web UI，方便体验和部署。无论是学习 RAG 基础，还是构建定制化应用，这个项目都提供了交互式笔记本和模块化代码两条路径，助力开发者快速上手并轻松扩展。 GitHub 地址：github.com/GiovanniPasq/agentic-rag-for-dummies/ 主要功能： - 支持多轮对话记忆，提升问答自然度； - 自动拆分复杂查询，精准定位信息点； - 结合关键词稀疏向量和语义稠密向量的混合检索； - 内置人机交互机制，避免误解或无效查询； - 多Agent协同，提升复杂问题的处理效率； - 完整文档处理流水线，支持 PDF 转 Markdown 及分块索引。适合 AI 研究者、开发者及数据工程师，轻松构建满足生产需求的智能问答系统。

13. 没收同事的所有装备，让他只带一台新款鸿蒙电脑出门，能行吗？

14. 微表情测谎、极速赔付、AI打败AI，深聊“AI in All”下的保险革命与增长飞轮【硅谷101】

15. github.com/Tencent/WeKnora 腾讯开源的RAG框架：WeKnora（维娜拉）这是一款基于大语言模型的文档理解与语义检索框架，专为结构复杂、内容异构的文档场景而打造。框架采用模块化架构，融合多模态预处理、语义向量索引、智能召回与大模型生成推理，构建起高效、可控的文档问答流程。核心检索流程基于 RAG（Retrieval-Augmented Generation）机制，将上下文相关片段与语言模型结合，实现更高质量的语义回答。核心特性 🤖 Agent模式：支持ReACT Agent模式，可调用内置工具检索知识库、MCP工具和网络搜索，通过多次迭代和反思给出全面总结报告 🔍 精准理解：支持 PDF、Word、图片等文档的结构化内容提取，统一构建语义视图 🧠 智能推理：借助大语言模型理解文档上下文与用户意图，支持精准问答与多轮对话 📚 多类型知识库：支持FAQ和文档两种类型知识库，支持文件夹导入、URL导入、标签管理和在线录入 🔧 灵活扩展：从解析、嵌入、召回到生成全流程解耦，便于灵活集成与定制扩展 ⚡ 高效检索：混合多种检索策略：关键词、向量、知识图谱，支持跨知识库检索 🌐 网络搜索：支持可扩展的网络搜索引擎，内置DuckDuckGo搜索引擎 🔌 MCP工具集成：支持通过MCP扩展Agent能力，内置uvx、npx启动工具，支持多种传输方式 ⚙️ 对话策略：支持配置Agent模型、普通模式模型、检索阈值和Prompt，精确控制多轮对话行为 🎯 简单易用：直观的Web界面与标准API，零技术门槛快速上手 🔒 安全可控：支持本地化与私有云部署，数据完全自主可控 #科技先锋官#

16. 教程：All-in-RAG | 大模型应用开发实战一：RAG技术全栈指南网页链接本项目是一个面向大模型应用开发者的RAG（检索增强生成）技术全栈教程，旨在通过体系化的学习路径和动手实践项目，帮助开发者掌握基于大语言模型的RAG应用开发技能，构建生产级的智能问答和知识检索系统。主要内容包括： RAG技术基础：深入浅出地介绍RAG的核心概念、技术原理和应用场景数据处理全流程：从数据加载、清洗到文本分块的完整数据准备流程索引构建与优化：向量嵌入、多模态嵌入、向量数据库构建及索引优化技术检索技术进阶：混合检索、查询构建、Text2SQL等高级检索技术生成集成与评估：格式化生成、系统评估与优化方法项目实战：从基础到进阶的完整RAG应用开发实践#微博兴趣创作计划#

17. 在构建RAG Agent时，哪些场景应该用确定性逻辑判断取代LLM的概率推理，具体怎么实现？

18. 运用 Elasticsearch 进行向量搜索及创建 RAG 应用

19. 探访云栖（二）：AI Agent元年，谁在打造“数字员工”？【101 Weekly】

20. 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

21. RAG、LangChain、Agent 到底有什么关系？

22. 【#库克称中国AI开发者创造力非常棒#！#库克称企业没部署AI 就会丧失竞争力# 】18日，苹果公司CEO库克出席在上海举行的全球财富管理论坛·2025上海苏河湾大会。在会上，库克表示，AI会带来积极作用，他不担心电脑像人一样思考，更担心人像电脑一样思考。对于企业而言，如果没有部署AI，就会丧失竞争力。谈到中国AI产业的发展，库克说：“中国年轻开发者的创造力非常厉害、非常棒，令人印象深刻。我拜访了世界各地(的企业)，我觉得中国在这方面是最好的，他们的创造力是最棒的。”（薛宇飞）中新经纬的微博视频

23. Agentic RAG 技术栈图谱，揭示构建智能代理系统的核心层级与关键组件：Level 0 部署与基础设施涵盖Groq、AWS、together.ai、Baseten、Modal、Fireworks AI、Replicate等，保障模型和系统的高效运行环境。Level 1 评估与监控 LangSmith、MLflow、Weights & Biases、Hugging Face、Deepchecks、Fairlearn等，负责模型性能、偏差与安全性监测。Level 2 基础模型包括Claude 3.7 Sonnet、Mistral AI、Cohere、Gemini 2.5 Pro、LLAMA 4、GPT-4等，提供强大的语言理解和生成能力。Level 3 编排框架 LangChain、DSPy、Microsoft AutoGen、Adaflow、LiteLLM、Ray、Haystack等，实现多模型、多任务的流程控制与协同。Level 4 向量数据库 Milvus、Redis、Pinecone、Elasticsearch、Chroma、Vald等，负责高效存储与检索海量向量化信息。Level 5 嵌入模型 Voyage AI、OpenAI、spaCy、FastText、Hugging Face、Cohere等，支持文本向量表示转换，为检索和推理提供基础。Level 6 数据摄取与提取 Scrapy、Firecrawl、Docling、Llamaparse、Amazon Textract、Apache Tika等，完成多源数据采集与结构化处理。Level 7 记忆与上下文管理 Letta、mem0、Zep、Chroma、Cognec、LangChain、LlamaIndex等，管理长期与短期记忆，提升对话连贯性。Level 8 安全与治理 Langfuse、Arize、Evalverse、Helicone、Guardrails AI、HELM、AI Explainability 360、AI Fairness 360等，保障系统透明、公平与安全，防止滥用。总结：这套Agentic RAG技术栈不仅涵盖了从底层基础设施到高层治理的全流程，也体现了智能代理对性能、数据、记忆与安全的多维度要求。掌握这张图谱，是迈向智能代理实用化的关键。

24. Tabby是开源本地优先AI编程助手，核心聚焦代码隐私与离线可用，基于开源大模型（如StarCoder、Code Llama）提供代码补全服务，无需依赖云端服务器，适配注重代码安全的企业、涉密项目开发及无网络环境编程场景。 GitHub:github.com/tabbyML/tabby 主要功能： 1. 全离线运行：模型本地部署，代码数据不泄露至公网，完全保障隐私安全；2. 多IDE兼容：支持VS Code、JetBrains系列IDE等主流开发工具，集成成本低；3. 多语言支持：适配Python、Java、Go等数十种编程语言，覆盖全栈开发需求；4. 轻量高效：资源占用可控，低配设备也能流畅运行，补全响应延迟低于200毫秒；5. 模型灵活切换：支持自定义开源模型接入与微调，适配团队专属代码风格；6. 无商业绑定：开源免费，无功能限制与付费墙，支持二次开发与私有化部署。无需联网即可使用核心功能，完全规避云端AI工具的数据泄露风险。实际使用中，企业内部项目编码效率提升30%+，可合规使用，是注重隐私安全的开发者与团队的首选AI编程工具。

25. RAG、LangChain、Agent 到底有什么关系？

26. 对话云栖大会：下一个AI爆款、大模型进化与Agent万亿级企业市场

27. DeepLearning AI 吴恩达和 Qdrant新出的这个课程看起来不错。Multi-Vector Image Retrieval，大多数检索系统都会用单个向量来表示一张图像。本课程展示了多向量方法如何将图像表示为由多个嵌入组成的集合，从而在文本查询与视觉内容之间实现更加精确的匹配，尤其适用于包含图片、图表和文字混合的文档场景。1 实现 ColBERT，用于理解多向量文本检索与延迟交互式搜索。2 应用 ColPali，从图像中提取更细粒度的局部补丁级特征，用于精细视觉检索。3 通过量化与池化技术优化内存占用。4 将多向量输出转换为 MUVERA 向量，以加速基于 HNSW 的快速检索。5 构建一个多模态 RAG 流水线，用于检索并推理复杂的视觉类文档。访问：learn.deeplearning.ai/courses/multi-vector-image-retrieval/#ai创造营# #程序员#

28. Flowise AI是开源可视化AI工作流构建平台，基于LangChain架构，核心降低AI工作流搭建门槛，通过拖拽节点即可串联模型、数据库与API，适配企业内部智能问答、自动化报告生成、多工具协同等场景，无需复杂代码开发。 GitHub:github.com/FlowiseAI/Flowise 主要功能： 1. 可视化流程设计：拖拽式节点界面，直观搭建模型调用、数据处理、工具联动逻辑；2. 多模型兼容：支持OpenAI、Claude、Ollama等主流LLM，可灵活切换本地/云端模型；3. 多智能体协作：支持配置多个AI智能体协同工作，适配人机混合流程场景；4. 系统集成能力：可将搭建的工作流导出为REST API，或直接嵌入现有业务系统；5. 执行监控追溯：内置详细执行日志，支持流程运行状态追踪与问题排查；6. 自托管部署：支持Docker与源码部署，数据本地存储，保障隐私安全。上手零代码门槛，非技术人员也能快速构建AI流程。实际使用中，企业搭建智能客服问答流程仅需小时级，多模型切换无需重构流程，是需要快速落地AI自动化能力的团队优选工具。

29. AnythingLLM是开源企业级私有知识库工具，核心基于检索增强生成（RAG）技术，专注本地文档语义解析与安全问答，无需依赖公网服务，适配企业内部知识沉淀、合规场景问答、跨部门信息共享等需求。 GitHub:github.com/Mintplex-Labs/anything-llm 主要功能： 1. 多格式文档兼容：自动解析PDF、Word、TXT等主流文档格式，批量构建结构化知识库；2. 全链路本地化：支持Ollama等本地模型部署，文档与对话数据不上云，完全保障隐私；3. 精准语义检索：基于向量数据库实现深度语义匹配，答案附带原文溯源，避免AI幻觉；4. 多端灵活部署：支持Docker自托管、服务器部署与桌面端运行，适配不同企业环境；5. 无代码快速搭建：可视化界面管理知识库，无需专业AI知识即可完成部署与维护；6. 生态扩展能力：支持自定义向量数据库接入、模型切换，可嵌入CRM等现有业务系统。操作门槛低，企业无需组建专业AI团队。实际使用中，跨部门文档检索效率提升80%+，合规场景下可满足数据本地化要求，是解决企业知识分散、检索低效且注重隐私安全的核心工具。

30. 全网最细的零门槛OpenClaw教程！云端部署，无缝体验【以及聊聊AI落后焦虑】

31. //@黄建同学:这里面有个关键点：如何把Agent融合到现有工作流，成熟企业里面一般都有一套标准的工作流/工作方法，要改变人的习惯很难，但是如果定位在把Agent当做解决问题的一种方法，将Agent融合在现有工作流的一部分，不改变（或者小小改变）大家的工作习惯，采用起来会更容易得多

32. 模型越来越聪明，但是，模型的上限，还不是他发布时候的样子。Poetiq AI 是一个在最先进的模型发布后，可以持续提升他们表现得公司。运用他们强调的递归自我改进（Recursive Self-Improvement）方法，完全依赖现有技术，在任意模型上叠加一个 AI Reasoning Layer，就可以让最新发布的模型比如 GPT5.2 再提升 15% 的性能。这也许说明我们之前靠提示词的方法其实，一直并非最优。他们真做法其实和人类团队真正解决问题的方法是一样的：迭代。自动生成候选解（有时直接写代码）→ 用样例/反馈做检查 → 迭代修正 → 自我审计决定何时停止，避免无意义的算力浪费。Token 变得越来越便宜是大概率事件。那么这种方式会越来越普遍就也会是。

33. LlamaIndex 深度实战：用《长安的荔枝》学会构建智能问答系统网页链接“这篇文章兼顾了 RAG 的科普与 LlamaIndex 的实战。无论你处在哪个阶段，都能找到适合自己的阅读路径：1. 如果你是 RAG 或 AI 新手（👋 欢迎！）建议从第一部分：原理篇开始。这部分会用一个生动的比喻，帮你建立 RAG 的核心概念，理解 AI 是如何"读书"的。然后，你可以直接跳到第二部分：实战篇，快速体验用 30 行代码构建一个问答系统的乐趣。第三部分：优化篇和第四部分：架构篇可以先收藏，等有概念后再来深入。2. 如果你熟悉 RAG，想深入 LlamaIndex（🚀 进阶！）你可以快速浏览第一部分：原理篇，回顾一下核心概念。第二部分：实战篇值得一看，LlamaIndex 的 API 非常简洁高效。第三部分：优化篇是本文的精华。我们通过真实实验，展示了 chunk_size 和 top_k 等参数对结果的具体影响，这对于生产环境调优至关重要。第四部分：架构篇将帮你理解 LlamaIndex 的内部机制，为你的二次开发或深入定制打好基础。”

34. 【鸿蒙电脑企业版的办公新体验！华为擎云 HM740上手测评】#华为开启鸿蒙电脑企业版Beta# 还有新一代鸿蒙电脑华为擎云 HM740。「企业零感部署」+「企业数字双空间」，塑造办公生态。#真有人在工作中用AI吗# 鸿蒙AI，还能20分钟出论文级报告？更多提效方法、体验分享，来视频看看吧！#新一代鸿蒙电脑发布# #华为擎云# 且听Phone吟的微博视频

35. 2026年智能体将会迎来快速增长期，会成各个企业的重点的投资和发展对象。国内将加速推动 “人工智能 +” 等重点领域的应用场景培育；旧金山的 Halper AI 正式成立，专注于简化 AI 部署流程，帮助面临资源和技术门槛的中小企业实现 AI 数字化转型；2025 首尔人工智能峰会，全球 70 余家企业顶级科技企业探共同探讨讨智能体在多领域的渗透。国内预计 2028 年企业软件中整合自主型 AI 的比例将从 2024 年的不足 1% 飙升至 33%，15% 的日常工作决策将由智能体自主完成。政策扶持将加速智能体在制造、医疗、金融等领域的渗透，形成通用智能体平台加行业专用解决方案的产业格局。#AI生活指南##AI创造营##一分钟视频创作季# 种斌Marco的微博视频

36. Self-Evolving 会是 2026 关键词吗？

37. 收藏！The Agentic AI Universe1. Artificial Intelligence（人工智能）层最基础层，涉及AI 的核心概念，包括：1）知识表示（Knowledge Representation）2）推理与问题求解（Reasoning & Problem Solving）3）自然语言处理（Natural Language Processing）4）感知与行动（Perception & Action）5）AI 规划（AI Planning）6）认知架构（Cognitive Architectures）这部分强调“让机器具备思考与决策能力”的基本目标。2. Machine Learning（机器学习）层在传统 AI 概念之上，机器学习提供了让模型从数据中自动学习的能力。关键技术包括：1）监督、无监督与强化学习2）聚类与降维（Clustering & Dimensionality Reduction）3）模型评估与优化4）特征工程（Feature Engineering）5）优化算法（如 SGD、Adam、AdamW）6）回归与分类（Regression, Classification）7）决策树与支持向量机（SVM）3. Neural Networks（神经网络）层神经网络是机器学习的一种重要实现方式。1）多层感知机（MLPs）2）卷积、循环与长短期记忆网络（CNNs, RNNs, LSTMs）3）反向传播（Backpropagation）4）激活函数（Activation Functions）5）迁移学习（Transfer Learning）它强调通过神经连接模拟人脑信息处理的机制。4. Deep Learning（深度学习）层深度学习是神经网络的扩展，带来了现代 AI 的突破。1）Transformer 结构2）注意力机制（Attention Mechanisms）3）大型语言模型（LLMs）4）预训练与微调（Pretraining & Fine-tuning）5）多模态模型（Multi-modal Models）6）提示工程（Prompt Engineering）7）代码生成与工具调用（Tool Use & Function Calling）5. Generative AI（生成式 AI）层在深度学习的基础上发展出的应用层。1）文本生成（Chatbots, Copilots）2）图像与视频生成3）文本转语音（TTS）与语音识别（ASR）4）检索增强生成（RAG）5）个性化与摘要生成（Personalization, Summarization）它代表 AI 从“理解”迈向“创造”的阶段。6. AI Agents（AI 智能体）层智能体是生成式 AI 的进一步封装，使模型能主动完成任务。1）记忆系统（短期/长期）2）规划与推理（ReAct, CoT, ToT）3）目标分解与自主执行（Goal Decomposition, Autonomous Execution）4）多智能体协作（Multi-Agent Collaboration）5）典型框架（AutoGen、CrewAI、LangGraph）6）情境化任务处理（Contextual Task Handling）7. Agentic AI（自主体 AI）层这是最高层，代表未来智能体的发展方向。1）自主学习与自我修复（Self-healing, Self-improving Agents）2）长期自主与目标链式规划（Long-term Autonomy & Goal Chaining）3）环境模拟与反馈循环（Environment Simulation & Feedback Loops）4）智能体协议（如 MCP、OpenAPI/JSON 工具模式）5）角色与层级（Role-based Personas & Hierarchies）6）安全、评估与治理（Safety, Evaluation & Governance）#人工智能##科技#

38. #2025科技年度热问# 受@微博科技邀请，参与年度话题，分享我对今年AI发展的几点思考：Q1：2025年推动 AI 进入下一阶段的关键突破是什么？从 AI Coding 这一年的蓬勃发展来看，我认为关键在于以 Cursor、Windsurf、Claude Code 为代表的一众 Vibe Coding 工具，在 2025 年迎来了真正意义上的突破性进展。这种突破并非来自单点能力，而是建立在三个底层能力同时成熟之上。第一，是长上下文条件下对代码库结构的整体理解能力。模型不再局限于文件级别的补全，而是能够理解模块边界、依赖关系和设计意图，使“跨文件修改”“局部重构而不破坏整体”逐步成为可依赖能力。第二，是以意图为中心的交互范式逐渐稳定。开发者不再描述“怎么写代码”，而是表达“要什么、为什么、不能是什么”，由模型反推实现路径，本质上是将编程从语法层提升到了系统语义层。第三，是以 MCP 技术为基座的工具链级能力显著增强。AI 不再只生成代码，而是能够主动调用测试、Lint 和运行环境，并根据反馈进行自我修正，使 Agent、RAG 和上下文工程从概念走向工程必需品。这三点叠加，使程序员在 2025 年完成了一次明确的角色迁移：从“实现者”转向“系统设计者与结果评审者”。Vibe Coding 并不是降低工程要求，而是将工程能力从“写对每一行代码”，迁移到“定义正确的问题空间和约束空间”。这正是 AI 进入下一阶段的重要标志。Q2：2025 年有哪些 AI 产品真正让我感到眼前一亮？如果只选一个，2025 年 12 月我使用频率最高的 AI 产品无疑是 Google NotebookLM。它让我第一次非常明确地意识到，AI 在“学习”这个场景中的价值，远不止于搜索和问答。从技术角度看，NotebookLM 的核心优势并不只是模型能力本身，而在于它对个人私有语料的上下文工程做得足够克制且有效。它并非简单地将资料丢进 RAG，而是围绕“理解—重组—再表达”这条链路进行了系统性设计。例如我特别常用的 PPT 生成功能，并不是模板式填充，而是基于知识点层级自动组织叙事结构。在学习新概念、快速进入陌生领域以及进行系统性复盘时，NotebookLM 都非常有帮助，也值得推荐。Q3：展望 2026，哪个趋势是不可忽视的必然路径？从 AI 与企业结合的角度来看，我判断 Agent 在企业场景中的深入应用将成为一条确定性极高的路径。进入 2026 年，Agent 的价值将不再主要体现在“替代某一个人工动作”，而是体现在对企业工作方式的重构上。当 Agent 能够稳定接入企业的在线系统、数据、权限与流程之后，它将不再只是一个“工具”，而会逐步演化为企业的基础设施层。拥抱 Agent 的企业，将显著提升自身的运营效率，而 Agent 也会逐渐成为企业的一项底层能力，深入到企业运营的每一个关键流程之中。你认为呢？

39. AI SaaS正面临失败风险。90%的VC支持的单功能AI SaaS（如AI销售助理、AI营销、AI外呼、AI账务等）未能抓住企业真正需求。企业对泛用型AI SaaS日渐失望，因为它们无法完全解决问题，反而增加负担。SaaS设计为适合多数人，却无法满足企业“100%符合其具体工作流程”的需求。企业不接受80%的解决方案——他们解雇的是已经做到100%的人。每个客户的需求都独一无二：不同数据源、不同处理方式、不同输出格式、不同审批流程和汇报频率。单一SaaS无法满足如此多样化的定制需求。真正解决方案必须为每个客户提供“前置部署”的工程定制，才能真正解决痛点。市场上尚无此类产品，导致企业开始对AI软件失去信心。企业级AI软件的未来，不是千篇一律的工具，而是深入业务、理解并适应每家企业独特流程的定制系统。AI SaaS想要长远发展，必须从单点工具转向集成化、反馈驱动、结果导向的系统，深度嵌入企业核心流程，实现真正转型。（原推文链接：x.com/vasumanmoza/status/1979264758487663101）

40. RAG（检索增强生成）会不会消亡呢？

41. 「鸿蒙电脑企业版好用么？华为擎云 HM740 如何帮企业降本增效？！」鸿蒙电脑企业版有企业数字双空间，为企业数据安全加码！还有企业零感部署，高效又安全。华为擎云 HM740全链路自主可控，不仅安全而且全方位好用，还几乎重构了商用操作系统的运行逻辑，真正做到了为企业而生！#华为开启鸿蒙电脑企业版Beta# #新一代鸿蒙电脑发布# #华为擎云# 吴小杰WJie的微博视频抽奖详情

42. AI如何成为企业的“数字员工”？中关村科金的超级连接答案 | 甲子光年

43. 《财富》中国科技企业50强出炉，华为第一！华为是中国最具全球竞争力的企业之一。在通信领域，其5G标准必要专利占比15%，位列全球第一，为全球5G网络建设提供技术支持；在芯片研发领域，华为麒麟9020芯片，国产化率超过90%，性能较前代提升显著；昇腾产品在部署DeepSeek大模型时，单卡推理性能达到全球纪录水平。在操作系统方面，目前搭载鸿蒙系统的设备数量突破1,000万台，开发者生态规模持续扩大。此外，华为在人工智能算法、光技术、网络技术等领域均有技术突破，相关技术应用推动行业技术迭代。

44. 回复@thomaszdxsn:已经有langchain了，你为啥要重复造轮子//@thomaszdxsn:回复@钊哥科普:最早的向量数据库获取内部知识库，现在的 coding agent 查询本地代码库，都是 agent 开发的时候自己实现的啊//@钊哥科普:回复@速度_激情007:还有你说我啥专业话没说，你看此图，也可以去看我视频评论配图 //@速度_激情007:有一说一，我用rag，也部署过rag，他说的基本没问题。不过钊哥你鸡贼，自己啥专业话没说，就装懂说人家说错了，你不说就不会错是吧？//@钊哥科普:RAG不是调用，也和程序员无关，说多错多

45. ML/AI 面试准备的重点在于夯实基础和实战能力。面试官普遍要求你具备以下几方面：1. 核心机器学习知识不可忽视。熟悉随机森林、KNN、SVM、逻辑回归等算法，并能解释其内部原理。虽然有人指出缺少梯度提升树等，但扎实基础始终是考核关键。2. 实战编码主要用 PyTorch（极少用 TensorFlow）。面试不会要求你用原生 Python 从头实现反向传播，但你需要用 PyTorch搭建模型、层或训练循环。3. 编程能力同样重要。绝大多数公司都会考察数据结构和算法，类似 NeetCode 150 题目的考题。至少完成 120 至 150 道题目，包括一些偏难的挑战。对于那些专注于机器学习工程的岗位，编程题和系统设计能力缺一不可。4. 针对RAG或Agent类岗位，考查不仅在理论架构，还要求能动手实现。你可能会被问到如何选择合适的 RAG 模型、降低 token 使用成本、解释 MMR 算法，甚至如何构建知识图谱与嵌入器。理论与实践双管齐下才是王道。5. 项目经验比简历更有说服力。拥有 5 个高质量的项目展示你的全流程机器学习能力，比如独特的 RAG 系统或完整的 ML 管道，并将它们部署在易于面试官浏览的作品集网站上。不仅仅是刷题或死记理论，实战经验和系统设计思维才是衡量真正能力的标准。这种考核方式也引起了一些质疑，有人认为题目过于机械，忽略了实际工作中的应用场景，但扎实的基础和真实项目经历依然是面试中的硬实力。原推文链接：x.com/kossisoroyce/status/1981376315488915876

46. 宝马自研的AI智能体平台“盖亚"正式在国内投入运行，是国内首批自主研发并部署企业级 AI 智能体平台的汽车制造企业之一。这个AI智能体能在质量管控系统、备件管理等生产运营环节都有很大的用武之地。实际上早在2018年宝马在国内就开始了AI的布局，堪称车圈的低调大佬。#科技先锋官#

47. 大语言模型（LLM）提示词设计不只是“提问”，而是一门系统工程，是与模型高效交互的关键技能。掌握以下7大类提示技巧，才能真正释放AI潜能：1. 核心提示 - Zero-shot：无示例，直接给任务。 - One-shot：给一个示例。 - Few-shot：给多个示例，教模型识别模式。2. 推理增强 - Chain-of-Thought（思路链）：引导模型一步步推理。 - Self-Consistency（自洽采样）：多条推理路径，选最佳答案。 - Tree-of-Thought（思维树）：多条推理路径并行探索（进阶）。 - ReAct：结合推理和行动（如调用API）。3. 指令与角色设定 - 明确指令：“帮我总结这段内容”。 - 角色扮演：“你是法律助理”。 - 混合型：指令+示例，兼顾清晰和示范。4. 提示组合技巧 - 链式提示：用一个提示的输出作为下一个输入。 - 动态提示：实时注入变量和上下文。 - 元提示：让模型自我优化或验证回答。5. 多模态提示 - 图文结合，给出视觉+文本信息。 - 音视频+文本（依赖模型能力，如GPT-4o、Gemini 1.5）。6. 行业专用提示 - 编程提示：针对特定语言或工具。 - 医疗、法律提示：高精度、格式严格。7. 提示评估与调试（辅助工具） - 去除测试：删减元素看影响。 - 注入测试：验证提示在实际应用中的鲁棒性。需要明确的是，检索增强生成（RAG）和代理工具系统（如LangGraph、AutoGPT）不是提示技巧，它们是架构或框架，提示只是其中一环。提示设计已不仅是“技巧”，而是整体系统设计。理解输入输出工程，掌握推理链条和领域约束，才能让AI输出更可靠、更智能。真正的秘诀不在“神奇语句”，而在于结构化、系统化地设计提示。原文：x.com/techNmak/status/1995726428177137924

48. 《大语言模型（LLM）学习路径和资料汇总》为不同水平的学习者提供了系统且实用的学习指南，涵盖入门、应用和深入三个阶段。入门部分帮助理解基础知识和常用术语，推荐通过OpenAI API和如openrouter.ai等平台实践；应用篇则聚焦于本地部署开源模型及主流开发框架（如LangChain、Dify），并介绍Prompt工程、RAG、Agent等实战范式；深入篇则深入探讨模型原理、训练微调、数据工程及推理优化，配以权威教材和前沿课程，助力打造扎实理论基础与技术能力。这份汇总是大语言模型领域知识体系化学习的宝贵指南，适合希望系统掌握LLM技术的所有人阅读与分享。原文链接：github.com/ninehills/blog/issues/97

49. AI也会"三思而后答"？揭秘Self-RAG智能检索术

50. 16种RAG（检索增强生成）类型详解

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

52. RAG_Techniques：40+项前沿RAG技术

53. 6.1K Star！AI工程师必收藏！22种RAG技术全实现，从入门到王者的开源宝典！

54. 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

55. RAG 技术进步太快了，梳理一下。

56. Self-MedRAG：一种基于自我反思的混合检索生成框架，用于可靠的医疗问题解答

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

58. 下一代 RAG 检索策略全面解析

59. 当工业知识遇上PIKE-RAG：昕诺飞客服效率跃升背后的技术突破

60. 突破AI知识边界：探索GraphRAG、向量RAG和Agentic RAG的融合之路

61. 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

62. 【AI手搓实战 2】Self RAG ：AI系统的自我审查 | 实战法律AI文档助手

63. 1.4 初识 RAG——RAG技术演进史

64. 突破医学AI瓶颈！PICOs-RAG：基于PICO支持的查询重写技术助力循证医学检索增强生成

65. 检索增强生成（RAG）技术，261页slides

66. 9种 LangGraph 实现方案：RAG 架构对比分析

67. 增强优化的检索增强大模型技术

68. RAG挑战：检索精确性与幻觉问题

69. PIKE-RAG技术赋能Signify：照明行业知识管理的创新突破

70. 【基础理论】【方法论】检索增强生成(RAG)综合指南

71. 小白从零开始入门RAG检索增强技术，看懂这篇就够了！

72. RAG技术全解析：从原理到落地，手把手教你搭建大模型知识库！

73. MSRA x 昕诺飞｜当工业知识遇上PIKE-RAG

74. RAG技术详解：解锁大模型外部知识的三把钥匙！

75. 揭秘大模型RAG技术：原理、应用及未来趋势，让你全面了解RAG的魅力！

76. 论文导读 | 检索增强生成中的规划与推理

77. 大模型RAG实战：向量+标量混合检索技术全解析，收藏学习！

78. 超越基础 - 扩展AI搜索与RAG五大技术

79. RAG高级技术全景：从基础架构到GraphRAG的实践指南

80. RAG技术原理揭秘！工程实践有哪些关键点？

81. 【AI术语解码局】RAG 技术十大核心：从理论到实战的深度解码

Pike RAG vs Self RAG？我们汇总了78位技术用户的真实观点

精选参考来源