高端RAG与基础RAG之争：是技术跃迁还是过度设计？全网观点大PK_服务软件

1. 生产级别的RAG系统是什么样的？

2. 基于大模型的智能问答场景解决方案——RAG提升召回率的关键

3. RAG 架构演进全图

4. 从朴素 RAG 到 Agentic RAG的五阶段

5. RAG革命

6. 颠覆传统RAG！Agentic RAG登场，AI代理如何“自我进化”解决复杂 query？

7. RAG 落地必看，11 种技术实测数据，告诉你哪些值得投入，哪些纯浪费时间

8. 介绍下9种RAG的架构

9. 【AI术语解码局】RAG 技术十大核心

10. 企业级RAG系统架构设计与落地实践-思考与总结

11. 西瓜老师·AI大模型RAG项目实战课-2025AI模型课程

12. 西瓜老师AI大模型RAG项目实战课超清俱全

13. 降低复杂RAG系统技术门槛与学习体验的UltraRAG

14. 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

15. 极客时间大模型RAG 进阶实战营【完结百度网盘】

16. 开源

17. 【AI大模型】RAG技术全解析

18. 真正懂RAG的人，都在死磕这3个底层逻辑

19. RAG很难，直到我掌握了这12个技巧→RAG流程准确率达到99%

20. 深度拆解 RAG

21. RAG系统检索不准

22. 为什么你的RAG系统在演示时完美，生产中就崩溃？

23. 从语义坍缩到知识边界

24. 导航检索: Grep+Agentic导航完胜RAG

25. 2026 年构建 RAG 系统的 11 个策略

26. 全新RAG框架 LinearRAG:无需关系抽取，高效又精准！超越GraphRAG和LightRAG!

27. 查个问题还要全图跑一遍？DA-RAG说我只取一瓢

28. 向量数据库与图数据库在RAG中的对比

29. 为什么我不再相信RAG？实战RAG弊端揭秘

30. RAG 的尽头是本体

31. LinearRAG: 基于线性图的大规模语料库检索增强生成

32. 大模型知识图谱GraphRAG才是未来？

33. 大模型RAG方案对比

34. LLM中的向量RAG与Graph RAG

35. 为什么“传统的”RAG不够用了？

36. #ai大模型 RAG已死！不要再去手搓通用RAG了，一定要做高端的RAG，两极分化马上到来 #ai #ai学习 #ai技术 #ai大模型

37. 长上下文vs RAG技术对比 #AI大模型 #RAG #人工智能

38. 别只满足于基础RAG

39. 大模型RAG技术全解析

40. 主动式RAG的优势——Agentic RAG能够执行动作，而传统RAG只能理解概念

41. 什么是Agentic RAG？它与传统RAG的区别?

42. Enhanced vs Agentic RAG

43. RAG与Agent技术路径分化明确

44. RAG是AI版的“油电混动汽车”？

45. RAG 知识库的四个段位

46. LLMOps与智能系统重构，第15章架构决策

47. 超越基础 RAG

48. Agentic RAG到底值不值？四大维度实测给你答案！

49. RAG五大范式深度解析

50. 一文读懂传统RAG、多模态RAG、Agentic RAG与GraphRAG

51. 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！

52. 8种主流RAG技术架构详解！

53. 【收藏级】RAG技术落地实践

54. RAG 和 CE 是什么关系？我们真的需要 RAG 吗？

55. RAG在垂直领域落地

56. RAG技术全景

57. 极客-RAG在企业数智化场景下的设计与改进

58. RAG 不是万能解，这些场景你一开始就不该用

59. 2024–2025 年业界最强、可直接工程落地的有RAG长文问答架构参考

60. 散热风扇只是基础性能上限刷新记录 iQOO 15 Ultra全面体验评测【新评科技】

61. 在这个充满不确定性的AI时代，你会选择被动等待还是主动出击？ #大咖观察 #红衣聊AI #AI时代 #人工智能

62. 靠AI赚钱的讨论依旧持续想多一份收入，AI也许是个不错的选择。#大咖观察 #红衣聊AI #赚钱思维

63. 大模型只是能力，必须要跟场景结合。 #大咖观察 #红衣聊AI #大模型

64. 52.7%的豪车选择华为乾崑智驾搭载华为乾崑智驾新车销量45.2万辆，占全国27.8%，豪车份额高达52.7%，从高端旗舰到主流普及，辅助驾驶功能，正在成为中国汽车的新标配 #华为乾崑 #华为乾崑智驾

65. 阿里千问与“AI Layer”崛起：一场重塑互联网的“操作系统”生态战【硅谷101】

66. 黄仁勋最新访谈：AI时代，软件没有价值了吗？很多企业在用AI上都踩了大坑#黄仁勋 #软件 #智能体 #Openclaw #龙虾

67. 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

68. RAG、LangChain、Agent 到底有什么关系？

69. RAG、LangChain、Agent 到底有什么关系？

70. 两个教学项目：1️⃣从零开始构建 AI 智能体github.com/pguso/ai-agents-from-scratch本仓库教你从基本原理开始，使用本地 LLM 和 node-llama-cpp 构建 AI 代理。通过完成这些示例，你将理解：✨LLM 的基本工作原理✨智能体究竟是什么（LLM + 工具 + 模式）✨不同智能体架构的运作方式✨框架为何做出某些设计选择理念：通过构建学习。深入理解后，再明智地使用框架。2️⃣从零开始构建RAGgithub.com/pguso/rag-from-scratch通过一步步构建RAG（检索增强生成）来解密它的原理。没有黑箱。没有云API。只有清晰的解释、简单的示例和你完全理解的本地代码。这个项目遵循与《从零开始构建 AI 智能体》相同的理念：通过简洁、解释清楚的真实代码，使开发者能够理解先进的AI概念。你将学到：✨RAG到底是什么，以及它为何在知识检索中如此强大。✨嵌入（embeddings）如何工作，如何将文本转化为模型能理解的数字。✨如何构建本地向量数据库，高效地存储和查询文档。✨如何连接所有内容，检索上下文并将其输入到大语言模型（LLM）中以获得有依据的答案。✨如何重新排序和规范化，提高检索精度并减少噪声。✨一步步的代码演示，每个函数都有解释，毫不隐瞒。#科技先锋官#

71. 西方人认知崩塌，中国制造业的统治力到底有多强？ #财经知识 #经济学视角看世界 #中国制造 #掘金计划2025 #零基础看懂全球

72. 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

73. 开源鸿蒙+RISC-V+eSIM，终端生态要“变天”！来自运营商、终端厂商、芯片企业、开源生态及行业解决方案商的28家机构代表齐聚一堂，围绕“AI+开源鸿蒙+RISC-V+eSIM”融合创新主题展开深度研讨。中国联通、诚迈科技、润开鸿、鸿湖万联、锐西智联、海尔科技等企业代表结合自身实操场景分享经验、抛出痛点，让交流更具针对性与实效性。

74. 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#

75. Boris（Claude Code 创始人）解释为什么 Claude Code 不用 RAG 向量检索代码：在开发 Claude Code 的早期版本时，我们曾尝试过 RAG 搭配本地向量数据库的方案。但很快我们就发现，Agent 使用关键字搜索在实际应用中的表现通常要出色得多。这种方案不仅实现起来更加简洁，而且还完美避开了 RAG 模式下那些令人头疼的“老毛病”：比如数据安全性、隐私泄露风险、信息滞后以及系统可靠性等问题。

76. 中小企业千万别错过！2025华为坤灵秋季新品发布会！#华为坤灵#灵的不止一套#华为坤灵助力中小企业跃升智能化

77. 盘点鸿蒙6系统隐藏黑科技！谁更实用安全？

78. AI不是终结者，是加速器。你可以选择旁观，但聪明的人会选择参与。#大咖观察 #红衣聊AI #未来科技

79. 机遇与挑战同在这是一个值得期待的时代，拐点之中，你如何选择？是否看见正在发生的改变并置身其中，决定未来二十年甚至更久你的竞争力#AI #AI时代 #人工智能 #趋势 #未来

80. 在大模型应用中，如何提升RAG（检索增强生成）的能力？

81. 国务院国资委：中央企业要积极扩大算力有效投资

82. 第三天《Context Engineering: Sessions & Memory》，一个Agent做得好，80%看上下文管理！这个pdf有72页，系统讲述了如何让LLM在交互中形成“状态”“个性”与“持续学习“，想做好AI Agent的别忘记深读一下这个文档。划线点：1. 上下文工程的核心理念传统的 Prompt Engineering 只关注如何写出一个最优提示，而 Context Engineering 则是更高维度的概念。它要求开发者在每次模型调用前，动态地拼装完整的上下文——包括系统指令、工具定义、few-shot 示例、外部检索内容、长期记忆以及当前对话历史。白皮书中有个比喻：如果 Prompt 是食谱，那么 Context Engineering 就是备料，决定了模型能否稳定地产出理想结果。2. Session vs. Memory Session 是一场对话的“工作台”，保存着事件日志和临时状态；Memory 是长期的“档案柜”，从这些对话中提炼出可复用的知识。 Session 负责连贯性，Memory 负责持续性。3. 多智能体系统中的会话共享多个 Agent 协作时，Session 的设计变得更复杂。不同框架（如 ADK、LangGraph）内部的数据结构差异较大，直接共享会导致互操作问题。文档提出用框架无关的 Memory 层作为共享语义中枢，各 Agent 通过抽象化的记忆数据交换信息，从而实现真正的跨框架协作。4. 长上下文的管理与压缩模型上下文窗口有限，随着会话增长，成本、延迟和注意力衰减都会出现。有三种压缩策略：（1）保留最近 N 轮（滑动窗口）；（2）基于 token 数截断；（3）递归摘要，用 LLM 生成对旧内容的总结。这些方法共同目标是保留必要、舍弃冗余，让模型始终聚焦关键信息。5. 记忆系统的设计与生命周期记忆并非简单存储，而是一套动态的 LLM 驱动工作流，涵盖提取、整合、存储、检索与遗忘（有点像一个ETL系统）。提取阶段从原始对话中识别有意义的信息；整合阶段解决重复与冲突；存储可采用向量数据库、知识图谱或混合架构；检索阶段结合语义相似度、时间衰减与重要度评分挑选最合适的记忆。文档还提出“遗忘”机制——旧记忆会随时间或置信度衰减被归档或删除，以保持知识库的健康。划重点：真正的智能不在于保存全部信息，而在于知道何时、为何、记什么、忘什么。一个理想的 Memory 系统，像人脑的海马体，既能在短期保持上下文，又能在长期过滤、压缩、抽象出模式。 AI Agent的设计应该把动态遗忘作为标准功能来设计，而非可有可无的能力。6. 触发策略与 Memory-as-a-Tool 模式记忆生成可在会话结束、固定回合、实时、或用户显式命令下触发。频繁触发可保留更多细节，但计算成本高；批量触发更经济，却易失真。白皮书提出 Memory-as-a-Tool 模式：让 Agent 自行判断何时、为何生成记忆，将“记忆何时发生”的控制权交给模型逻辑本身（划重点！）。7. 信任、来源与隐私文档专门讨论了 Memory 的来源溯源（Provenance）：每条记忆应携带来源类型、时间戳、置信度与可信层级。系统需依据来源权重解决冲突，并对个人敏感信息在写入前脱敏，确保隔离与合规。8. RAG 与 Memory 的对比 RAG 让模型更懂世界， Memory 让模型更懂你。前者检索外部事实，后者积累用户语境。Agent 需要二者结合，既具世界知识，又具个人连续性。#ai创造营# #程序员#

83. Claude全面禁中国企业？别怕，国产模型够顶！ #大咖观察 #Claude #马斯克 #红衣聊AI

84. 「科技美学」旗舰 Pro机型系统、AI、信号对比横评（下） | 苹果、华为、小米、vivo、OPPO、荣耀、努比亚、红魔

85. 机器人“大脑”60年进化史：基础模型的五代进化与三大闭源流派【硅谷101】

86. #AI决战是卷模型还是卷场景#AI竞争早已跳出单一技术的比拼，进入生态协同的新时代。企业生态为技术铺路，技术生态为发展提速，二者相辅相成。唯有兼顾两者，实现双向赋能，才能在激烈的AI竞争中站稳脚跟，掌握行业发展的主动权。了解更多的AI发展，来微博智搜！单一技术突破已难成壁垒。企业生态与技术生态的双向赋能，二者如同AI发展的双引擎，缺一不可。企业生态决定技术扎根的厚度，技术生态决定创新迭代的速度，唯有双向发力、深度融合，才能筑牢企业的行业地位，掌握发展话语权。企业生态是AI技术的沃土，决定着技术发展的底蕴与根基。它涵盖企业的资源布局、合作网络、场景落地能力，为技术创新提供充足养分。没有强大的企业生态支撑，再先进的技术也只“空中楼阁，难以转化为实际价值，更无法实现长效发展。技术生态则是AI迭代的加速器，决定着技术突破的效率与上限。它串联起算法、算力、数据、开发者等核心要素，形成相互促进、良性循环的创新网络，让技术在协同中快速升级，在实践中不断完善。脱离技术生态的加持，技术发展只会陷入孤立，迭代速度将大幅放缓，最终被行业淘汰。OpenAI凭借领先的大模型技术站稳脚跟，即便拥有独特的技术优势，仍在全力构建生态体系。先后与博通、甲骨文、英伟达等巨头达成战略合作，覆盖算力、云服务等关键环节，打造完整生态闭环，规避单点短板的风险。而市场底蕴深厚的谷歌，更是将生态体系放在战略首位。它构建“芯片-模型-应用”的全栈生态，自研TPU芯片提供强大算力，Gemini大模型持续突破，搭配Android系统、搜索业务带来的海量数据与场景，联动全球开发者共建生态，让技术快速落地，稳固了行业龙头地位。用@微博智搜追踪AI热点与应用案例，#用智搜高效玩转AI#助你紧跟技术如何落地实战。参与#HOW I AI# 分享你的AI实用教程，瓜分千元红包池。#秒懂热点就用智搜# ai决战是卷模型还是卷场景

87. 独家｜Flowith 完成千万美元种子轮融资，打造 Agentic AI 时代的首个“行动派”操作系统

88. 字节火山开源的上下文数据库OpenViking, 专为 AI Agent 设计。该项目通过文件系统范式，统一管理智能体所需的记忆、资源与技能，解决了传统 RAG 架构中信息碎片化和检索低效的问题。1. 文件系统管理范式 → 解决碎片化问题：基于文件系统范式，将记忆、资源、技能进行统一上下文管理；2. 分层上下文按需加载 → 降低 Token 消耗：L0/L1/L2 三层结构，按需加载，大幅节省成本；3. 目录递归检索 → 提升检索效果：支持原生文件系统检索方式，融合目录定位与语义搜索，实现递归式精准上下文获取；4. 可视化检索轨迹 → 上下文可观测：支持可视化目录检索轨迹，让用户能够清晰观测问题根源并指导检索逻辑优化；5. 会话自动管理 → 上下文自迭代：自动压缩对话中的内容、资源引用、工具调用等信息，提取长期记忆，让 Agent 越用越聪明。项目：github.com/volcengine/OpenViking#HOW I AI# #过个有ai年#

89. 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#

90. 华为发布全新一代896线激光雷达，看完这条视频再选择！ #超哥直播回放 #鸿蒙智行 #买车 #辅助驾驶 #小米

91. 一加手机最新ROOT与深度测试详细教程：零基础小白也能轻松搞机！

92. 照着学～大语言模型（LLM）学习路径和资料汇总入门篇：- 了解大语言模型的基础知识和常见术语。- 学会使用编程语言访问 OpenAI API 等常见大语言模型接口。- 面向非专业背景的大模型普及知识。应用篇：- 可以在本地环境搭建开源模型的推理环境。- 大语言模型应用开发框架（如 LangChain、Dify等）。- Prompt 工程、 RAG、Agent 等大模型应用开发范式。深入篇：- 大模型技术原理、训练微调、数据工程、推理优化等。- 大模型应用范式（RAG、Agent等）前沿进展。访问：github.com/ninehills/blog/issues/97#HOW I AI# #程序员#

93. 这个Awesome-local-LLM不错，需要本地运行LLM的，可以收藏起来，是一个很好的起步索引。包括：1 运行平台收录了可以在本地运行 LLM 的平台，例如 LM Studio、LocalAI、jan 等，可用于下载和管理本地模型。2 推理引擎包括底层模型推理实现或高性能框架，例如 llama.cpp、vLLM、koboldcpp 等，可以作为实际模型计算的基础。3 用户界面列出了一些友好的本地聊天界面和前端项目，比如 Open WebUI、SillyTavern、Lobe Chat，为模型交互提供 UI 支持。4 LLM模型汇集了各种开源或社区权重的模型资源，从通用模型如 Qwen3、Gemma 3，到专业用途的代码模型、音频/图像模型等。5 工具与框架收录了用于构建、管理、增强 LLM 应用的工具，如 LangChain、AutoGPT、RAG 框架、代理系统、记忆管理框架等。6）教程与硬件建议提供从基础模型推理到复杂代理系统的学习材料，同时还涵盖了本地运行 LLM 时的硬件配置说明。github.com/rafska/Awesome-local-LLM#ai创造营# #程序员#

94. 鸿蒙机皇！四摄，新系统，新设计，都靠谱吗？华为Mate 80 Pro Max首发测评

95. GitNexus 是一个把代码库自动转成“知识图谱”的工具，并在此基础上提供 Graph-RAG 与 AI 对话能力，用于让人和 AI 更快理解大型代码库。特点：零服务器、浏览器本地运行、隐私优先。核心能力：1、代码 → 知识图谱项目通过 AST 分析构建图结构。这套流程采用四阶段分析：1）结构扫描2）AST 解析3）依赖解析4）调用图构建最终得到完整代码图。2、Graph-RAG 代码问答与传统 RAG 不同，GitNexus 的检索是图查询。AI 通过 Cypher 查询或图遍历获取上下文，比 embedding 检索更精确。3、零服务器隐私架构项目最突出的设计之一：1）所有分析在浏览器本地运行2）代码不上传服务器3）数据库为 WASM 版图数据库4）API key 本地保存适合企业代码安全场景。4、面向 AI Agent 的设计GitNexus 不只是可视化工具，而是 Agent 基础设施。它能提供：1）影响范围分析2）依赖追踪3）架构检查4）自动化审计目标是让 AI 编程助手具备“架构感知能力”。项目：github.com/abhigyanpatwari/GitNexus#HOW I AI# #程序员# 黄建同学的微博视频

96. 说实话，我认为记忆力是目前持续学习的最大障碍。让我夜不能寐的问题是：我们如何利用记忆避免重蹈覆辙？我们如何教会模型有选择地记忆和遗忘？何时呈现正确的背景信息？人类通过记忆巩固、干扰管理和情境绑定自然而然地做到这一点，然而，我们尚未找到复制这种机制的方法。人类海马系统与当前LLM记忆架构之间的差距揭示了一个根本性的挑战：我们基本上构建了两个极端：要么是将所有信息都硬编码到参数中的模型（刚性模型），要么是使用RAG（随机数生成器）机械地检索信息（模糊模型）。真正的持续学习要求我们破解智能检索的密码；不仅要知道存储什么，还要知道抑制什么、何时强化，以及如何让旧知识优雅地消退而不造成灾难性的干扰。非常喜欢这篇调查，因为它从宏观角度展现了 LLM 和多模态模型中的记忆架构（也很喜欢其中受大脑启发的分类法，很棒！）。我会尽我所能系统地绘制出它的图谱。三部分框架：他们围绕新皮层-海马体-前额叶皮层的类比来构建记忆：内隐记忆/新皮层涵盖了嵌入模型权重中的参数知识，包括记忆编辑技术（如 ROME 和 MEMIT，它们通过精确修改权重来更新事实）、通过 LoRA 等适配器注入知识，以及通过记忆遗忘来删除有害内容。显性记忆/海马体研究外部检索系统；RAG架构、向量数据库、知识图谱。它们详细阐述了如何在不同的粒度（文档、组块、句子、图结构）和优化时间（无训练、联合预训练、SFT等）下组织记忆。智能体记忆/前额皮层探索自主智能体如何维持短期记忆（CoT++）与长期记忆（外部事实数据库、历史轨迹、用户反馈等）。我非常喜欢这个关于记忆的思考框架，但我认为除了分类之外，这项调查最大的贡献在于指出了尚未解决的问题：记忆污染/幻觉、大规模检索的计算负担、何时应该检索信息而不是依赖参数化知识，以及长时间交互过程中记忆一致性的挑战#科技先锋官##ai生活指南##ai创造营#

97. 小米证明，中国企业不仅能跟上创新节奏，更能引导创新方向#小米17#2025雷军年度演讲

98. 做了个RAG评估小框架开源做RAG时发现，麻烦的往往是数据处理到评估的那条流水线。所以顺手写了个工具，用中文数据集做基准，内置标准流程，方便快速试不同的检索和生成方案平时主要用它两件事，一是快速验证新想法，不用重复写脚本，二是在同一套指标下对比不同策略，看问题出在哪#rag#

99. 中国的AI模型在海外又火了，全球用户迎来更多选择#亚马逊云科技 #AmazonBedrock #生成式AI #出海 #全球化

100. RAG 已死？2025 评测技术全景图：别再用感觉调优了，这才是 Agent 时代的标准答案！

101. Naive RAG、Advanced RAG（高级RAG）、Modular RAG（模块化RAG）三者的区别

102. 企业级RAG系统值得投入吗？全网观点大PK

103. RAG技术实战指南：让大模型读懂企业知识，LLaMA-Factory Online 赋能落地

104. 准确率 98.7%！PageIndex 凭什么吊打传统嵌入式 RAG？

105. 16种RAG 架构汇总

106. 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

107. RAG技术从入门到精通：四种架构解析，建议收藏反复学习！

108. 2025年最火的RAG进化论：从“菜鸟”到“AI精工”，你跟得上吗？

109. RAG技术主流实现方式及其在医疗行业的落地分析

110. RAG讣告：死于智能体之手，葬于上下文窗口

111. 手把手教你搭建企业级RAG——基于LangChain

112. 腾讯Agentic RAG案例解析

113. RAG进化论：RAG、Self-RAG、Agentic RAG，到底有啥区别？

114. 生产级 Agentic RAG 管道技术深度解析：架构设计、优势分析与行业应用指南

115. RAG 与 Agentic RAG 的区别详解

116. 使用 IBM Watsonx 和 Langchain 构建代理检索增强生成（RAG）系统

117. 12 种主流 RAG（检索增强生成）类型及评估

118. 自愈型RAG系统：从脆弱管道到闭环智能体的工程实践

119. 一图看懂传统 RAG 与 Agentic RAG 的实战差异

120. 收藏！一文读懂RAG技术选型：从入门到企业级实践全攻略

121. RAG系统太慢？Meta新发现：99%注意力计算浪费，REFRAG框架助你实现30倍加速

122. RAG 应用中的Embedding与Reranker模型选型指南

123. 深度解读RAG技术发展历程：从基础Naive RAG 到高级Advanced，再到Agentic RAG的全面升级

124. Agentic RAG基础入门

125. 一次性深度拆解Agentic RAG系统架构 #大模型 #ai大模型 #Agent #RAG #大模型学习

126. 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！

127. 论文笔记：RAG系统关键组件分析及优化策略

128. 从建图到检索：LightRAG 全流程轻量化设计，让GraphRAG 适配资源受限场景

129. 极客时间大模型RAG进阶实战营

130. 浅谈 RAG VS Agentic RAG

131. RAG技术的五种分类——不同种类RAG之间的区别与联系

132. ✨8种RAG架构，小白也能秒变技术大神！💡

133. RAG技术的“隐形门槛”，知识库录入做不好，模型再强也白搭

134. RAG实战|8种RAG架构浅析

135. 🥕构建复杂RAG 系统所需组件及优化方法介绍

136. 8个典型RAG架构👀👀👀！

137. RAG 的 4 种索引策略

138. RAG系统优化秘籍：从基础优化到高阶优化，全面构建企业级系统！

139. LightRAG：港大开源的知识图谱RAG框架！

140. 2025年最新全模态RAG知识库框架深度评测，助力大模型开发效率提升！

141. RAG 调优终极指南：从「能用」到「好用」的关键三步

142. NeurIPS 2025冠军：Google HiFi-RAG如何让RAG性能暴涨19%?

143. Graph-based RAG介绍： GraphRAG、LightRAG和PathRAG对比

144. RAG 工程实战：从知识库构建到企业级部署的全链路指南（校订版）

145. RAG面试高频题速查

146. pike rag项目性能超越self rag#rag #大模型 #ai

147. RAG考点：大规模RAG系统延迟优化

148. RAG系统优化秘籍：从基础优化到高阶优化，全面构建企业级RAG系统！

149. 大模型幻觉终结者：RAG技术正从“可用”走向“可靠”

高端RAG与基础RAG之争：是技术跃迁还是过度设计？全网观点大PK

精选参考来源