UltraRAG是RAG框架的未来还是过度炒作？全网观点大碰撞_服务软件

1. 重磅开源！UltraRAG框架实测

2. 告别选型纠结！RAG 知识库四大主流技术框架落地选型全攻略

3. UltraRAG:清华开源的首个 MCP 架构 RAG 框架

4. UltraRAG 是由清华大学 THUNLP 实验室、东北大学 NEUIR 实验室等联合开源的检索增强生成（RAG）框架

5. 不做万字长文，只说真话

6. 构建自己的Agent——最佳开源 RAG 框架选型指南

7. 开源知识库，从 0 到上线，UltraRAG 企业知识库全流程实战，也许这是RAG最好的框架之一～～～

8. RAG、LangChain、Agent 到底有什么关系？

9. 拒踩坑！深入拆解RAG框架核心逻辑，LangChain/FastGPT 选型不迷茫

10. 别再沉迷 LangChain 了

11. 从零搭建RAG应用

12. AI 开源知识库大战

13. 智能答疑如何更靠谱？盘点12 个开源 RAG 系统

14. 社区年终总结之RAG的2025年

15. 冷静祛魅与场景深耕

16. 4.1K Star！GitHub 上挖到一个救星级别的 RAG 数据流水线项目！

17. 清华开源！GitHub 上 4600 人 Star 的 RAG 应用神器更新了。

18. Github-LightRAG

19. 开源公告｜Youtu-RAG

20. UltraRAG

21. 【2025 必看爆款】RAG教程合集: 大模型RAG项目实战+RAG工作原理+rag知识库搭建 + 优化全攻略！大模型零基础入门教程大模型微调 llm

22. LangChain 太重太复杂？我试了下 LightRAG，AI 知识检索快得离谱！

23. 什么是RAG技术？

24. RAG革命

25. 轻量化多格式RAG框架

26. 开源框架 vs 本地化部署？我们汇总了127位用户真实观点，答案在这

27. RAG教程看了100篇，为什么还是做不好？🤔

28. 技术党福音！这款开源RAG引擎让文档智能处理能力飙升

29. 大模型入门第十五课

30. lightrag体验记录

31. 为什么我不再相信RAG？实战RAG弊端揭秘

32. 抛掉术语，简单说说RAG这一年的发展

33. RAGFlow与Dify知识库

34. RAG 交付 04

35. 真正能上线的 RAG 架构是什么样子呢？

36. LLM应用开发之 “三国杀”

37. 五分钟搭建你的第一个RAG系统

38. 技术日报｜推理RAG文档索引PageIndex登顶日增1374星，React视频工具Remotion二连冠进前二

39. 技术日报｜Remotion蝉联冠军破千星，RAG索引工具PageIndex紧随其后

40. Meta宣布彻底解决RAG最大痛点

41. RAG的落幕

42. Agentic RAG到底值不值？四大维度实测给你答案！

43. Dify、FastGPT、BuildingAI 与 RAGFlow 深度体验记录

44. RAG vs Agent架构怎么选？我们汇总了80+开发者真实观点

45. RAG讣告

46. RAG大揭秘

47. RAG 技术 2025 展望

48. RAG 架构演进全图

49. 快到2026年啦必须掌握的RAG全栈技术！

50. 【2026年AI工程师学习路线：从调用模型到构建系统的九个关键能力】AI工程和传统机器学习工程正在分道扬镳。机器学习工程师从零训练模型，AI工程师则在基础模型之上构建应用。这个转变意味着你需要学习的东西完全不同了。一、理解基础模型GPT、Claude、Gemini、Llama这些基础模型是现代AI应用的基石。你不需要从头训练，但必须深入理解它们的能力边界、分词机制、上下文窗口和定价策略。成本控制能力往往决定了一个AI应用能否活下去。入门项目：做一个模型对比笔记本，用同样的10个提示词测试不同模型，记录质量、速度和风格差异。二、提示词工程在AI工程领域，提示词就是你的代码。一个平庸的AI应用和一个优秀的AI应用，差距往往就在提示词设计上。少样本学习、思维链、结构化输出这些技术能大幅提升效果，而且不需要任何模型训练。入门项目：选一个任务，写五种不同风格的提示词，在电子表格里打分对比。三、检索增强生成大模型有知识截止日期，还会产生幻觉。RAG让它们扎根于你的数据。从客服机器人到内部知识助手，这是生产环境中最常见的AI应用模式。分块策略、嵌入模型、向量数据库、检索指标，这些都是必修课。入门项目：用你自己的笔记文件搭建一个简单的RAG应用，50行代码就能跑起来。四、评估与测试凭感觉评估无法规模化。你需要系统性的方法来衡量AI应用是否在进步：构建评估数据集、选择指标、跑AB测试、检测性能退化。没有好的评估体系，你就是在盲飞。入门项目：准备20个问答对，写个脚本自动评分，每次改提示词都跑一遍。五、智能体与工具调用智能体把大模型从文本生成器变成行动执行者。它们能浏览网页、执行代码、查询数据库、调用API。理解智能体架构、工具设计和失败模式，是构建自主AI系统的关键。入门项目：做一个计算器智能体，让它通过调用工具来回答数学问题。六、结构化输出与数据提取真实应用需要结构化数据，JSON、SQL、API调用，而非自由文本。JSON模式、函数调用、约束生成这些技术确保大模型输出能与下游系统对接。这是对话式AI和软件工程之间的桥梁。入门项目：做一个食谱提取器，把网页上的乱七八糟的文本变成干净的JSON结构。七、护栏与安全AI应用可能被越狱、产生有害内容、泄露敏感信息。输入输出护栏、隐私检测、内容过滤、对抗测试，这些在生产部署中不可或缺。入门项目：给你的聊天机器人加上简单的输入输出过滤，用关键词匹配检测提示词注入。八、可观测性与监控无法衡量就无法改进。生产级AI系统需要日志、追踪、成本跟踪、质量监控和告警。入门项目：给你的应用加上调用日志，记录时间戳、提示词、响应、延迟、token数量和估算成本。一周后分析数据，你会发现很多优化空间。九、AI系统架构真实的AI应用是多个组件的组合：检索器、模型、护栏、缓存、数据库。理解复合AI系统的设计模式，才能构建可维护、可测试、可扩展的架构。综合项目：做一个个人助手机器人，整合RAG、结构化输出、输入验证和日志记录，部署到免费平台上。这就是一个能展示真实能力的作品集项目。有评论提出了一个值得深思的观点：2026年AI工程师真正的核心能力，是知道哪些层该自己掌控，哪些层该交给框架处理。这个答案每个季度都在变。智能体正在以超出学习速度的节奏压缩技术栈，RAG、结构化输出、护栏越来越多地被内置到平台中。学会构建固然重要，学会判断何时不必亲自构建，可能更重要。x.com/manthanguptaa/status/2018297734995075200

51. 如何系统性的学习RAG、Agent、MCP?

52. 开源是战略，生态是王炸，阿里千问入局AItoC #千问 #大模型

53. 吴恩达DeepLearning AI 新课程：Design, Develop, and Deploy Multi-Agent Systems with CrewAI可以浏览器装一个沉浸式翻译插件，实时英文字幕转中文。主要介绍了如何设计、开发与部署多智能体（multi-agent）系统，重点在于掌握代理式 AI 工作流（agentic AI workflows）的思维方式与工程方法。将学会如何把复杂任务分解成由多个专门智能体协作完成的子任务，从而高效构建复杂的 AI 应用。1. 掌握构建多智能体系统的基本概念：agent、task、crew、flow、state 等。2. 理解智能体的核心组成：记忆（memory）、工具（tools）、模型上下文协议（MCP）、执行钩子（execution hooks）与防护机制（guardrails）。3. 学会通过 CrewAI 框架将这些要素组合，构建具有可观测性、可控性与可扩展性的系统。4. 了解如何通过指标（metrics）与人类反馈（human feedback）对智能体进行评估与持续改进。访问：learn.deeplearning.ai/courses/design-develop-and-deploy-multi-agent-systems-with-crewai

54. 补齐OpenClaw进化拼图！AReaL v1.0开源，智能体强化学习「一键接入」

55. 在大模型应用中，如何提升RAG（检索增强生成）的能力？

56. RAG、LangChain、Agent 到底有什么关系？

57. 开发Agent只懂拖拉拽？你真的能跟上生产级开发的节奏了吗？

58. 盘点一周AI大事(1月11日)｜最强人形机器人 OpenAI公布2026研发路线图 DeepSeek被爆2月发布DeepSeek V4 Google推出Veo3驱动的数字人Vids 字节开源换脸视频模型DreamID-V 阿里开源数字人框架HRM2Avatar Lightricks开源顶级视频模型LTX-2 ElevenLabs推出最强语音转录模型Scribe v2 斯坦福开源睡眠分析模型SleepFM 港大发布开源版NotebookLM DeepTutor Razer推出全息AI老婆Project AVA 波士顿动力推出下一代Atlas #抖音知识年终大赏 #前沿科技趋势发布月 #AI新星计划 #AI #机器人

59. 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#

60. 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#

61. 快速学习AI Agent的方法有哪些？

62. 最近，彭博社爆出来一个消息：Meta不仅打算放弃了开源，还在搞一个代号叫牛油果的新模型项目，这个项目蒸馏了好几家的开源模型，其中就包括阿里的千问大模型。作为曾经研究过技术研发的程序员，Meta选择蒸馏阿里千问、中国开源AI横扫硅谷，在我眼里就不是什么偶然逆袭。在开发者领域，中国开源模型的口碑一直强势。选开源模型从来不是只看榜单跑分，更看能不能落地、好不好用、省不省力，而阿里千问恰恰把这三点做到了极致，这也是它能让Meta、亚马逊等企业放弃硅谷同类模型的关键。这种技术话语权的转移，不仅让中国开源更有底气，更让全球开发者有了更多选择，不再被硅谷的技术标准绑架，能根据自己的需求选最适配的模型，这才是开源技术的本质，也是千问带给全球开发者最珍贵的价值。真正的技术强者，不仅要能做出高跑分的模型，更要懂开发者要什么、懂行业落地需求是什么，不仅要打破技术垄断，更要构建让全球开发者共赢的生态。

63. 开源项目VideoRAG 让“观看视频”升级为“与视频对话”，使数百小时的视频内容变成可随时提问、可深度理解的智能知识库。 1、从“搜索视频”到“对话视频” VideoRAG不是关键词检索，而是支持自然语言提问的智能对话系统。视频不再是被动播放的媒介，而是可以像专家一样被反复追问、追溯和推理的知识体。 2、极端长视频处理能力真正落地 VideoRAG可处理数百小时的超长视频内容，并且长视频仅需一张消费级 RTX 3090 显卡即可完成分析，极大降低了深度视频理解的硬件门槛。 3、关键技术在于“图谱 + 分层理解” 其双通道架构通过知识图谱索引、多模态理解、分层上下文编码和自适应检索，使模型既能把握整体脉络，又能精确定位细节，甚至支持跨视频对比理解。 4、Vimo 将前沿技术交到普通人手中 Vimo 桌面应用让普通用户也能通过拖拽方式与长视频对话，同时为专业用户和研究者提供多视频分析、高级检索和完全开源的研究框架。项目：github.com/HKUDS/VideoRAG #ai创造营# #程序员#

64. 【向量数据库被颠覆？一个无需嵌入的RAG新思路】最近开源社区出现了一个有意思的项目PageIndex，它提出了一种完全不同的RAG实现路径：用文档树结构替代传统的向量嵌入，在FinanceBench基准测试上达到了98.7%的准确率。这个方案的核心理念是让大模型直接在文档结构上进行推理，而不是通过关键词匹配来检索。不需要嵌入，不需要分块，完全开源。听起来很激进，但仔细想想，这其实回归了一个朴素的问题：人类阅读文档时，依赖的是什么？是语义相似度，还是章节、标题、表格这些结构化线索？对于金融报告、法律合同、合规文档这类天然具有清晰层级结构的内容，让模型沿着文档树进行推理，确实比把文档切成碎片再用向量匹配更符合直觉。结构优先的检索方式，也让引用溯源变得更加可靠。但社区的实测反馈也很真实。有人指出它目前只能处理单个文档，跨文档比较和相似性匹配这类场景还是需要向量数据库。也有人反映速度偏慢，对于简单查询来说，逐层遍历节点的开销不小。还有人质疑：面对大规模非结构化数据，这种方案能否扩展？一位开发者的评论很中肯：向量数据库能用廉价的数学运算实现毫秒级检索，而PageIndex依赖的是昂贵且缓慢的大模型推理，在需要扫描海量文档的场景下，可行性存疑。所以这不是一个“谁取代谁”的故事。更准确的理解是：RAG的工具箱里多了一件趁手的武器。结构化文档用文档树，非结构化内容用向量嵌入，复杂场景可能需要混合方案。技术选型从来不是非此即彼。真正的答案永远是：在你自己的数据上跑一遍基准测试。 GitHub：github.com/VectifyAI/PageIndex x.com/dr_cintas/status/2019045152350756869

65. Agent Infra到底是什么？【AI基建】

66. 被Jim Fan点赞！全球第一的千寻智能Spirit v1.5正式开源！

67. 人人都能炼专属Agent，上海交大开源端侧Agent全栈工具链，真实场景性能超GPT-5！

68. 超强开源模型Qwen3、DeepSeek-V3.1，都被云计算一哥「收」了

69. 【保姆级】RAG智能体终极方案：n8n+Google File Search，零门槛搭建高精度RAG工作流！

70. 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

71. #DeepSeek开源OCR2新模型#开源才是硬道理，特别是DeepSeek这样的专业类型的模型，想要打造出自己的生态体系，靠着自己是很难的。苹果的成功是时势造英雄的结果，谷歌如果不开源路也不会走的这么容易。再则就是当下AI的发展速度呈现的是极限的叠加，哪些具有先发优势的巨头们都开始已经选择了开源的道路来打造自己的生态体系，甚至现在都是在一起抱团取暖，最近的Anthropic、Meta、OpenAI三大巨头联合布局协作型基础模型更是让这个行业的压迫感增强了。走开源道路，快速的打造自己的生态圈，让更多的人参与进来加快完善提升自己的速度，这样才能让企业有更好的发展空间。

72. 中美AI路径分野：中国以开源生态开放创新，美国押注“赢家通吃”。#人工智能# #大模型# 李开复的微博视频

73. DeepSeek V3.2 正式版发布，V4 还没来，但已经是开源模型里 Agent 能力最强了

74. 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。

75. 除夕夜，国产顶流压轴上线，QWEN3.5多模态开源！

76. 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#

77. #如何看韩国AI用中国模型代码# 韩国国家级AI项目“套壳”风波：开源时代，自研的遮羞布被扯下了？韩国主打“自主研发”的AI项目入围名单曝光，却被抓包用了中国开源代码。这事儿得两看：一是中国AI确实硬气了，二是“自研”两个字不能随便透支。国产开源模型，正成为全球AI的“新基建”曾几何时，我们还在学习国外的Llama，但现在，以千问Qwen、DeepSeek为代表的国产大模型，已经成了全球开发者绕不开的底座。韩国团队的选择，其实从侧面印证了：中国开源模型的实力，已经进入全球第一梯队。用了开源，还算“自主研发”吗？行业现状：在AI圈，基于开源模型进行二次开发是普遍共识。毕竟，没必要重复造轮子。界限在哪里：商业产品用开源叫“高效”，但“国家级项目”若只是简单微调就宣称“完全自研”，那不仅是技术能力问题，更是科研诚信问题。自研的核心：开源时代，核心自研不再是重写每一行代码，而是对底层架构的掌控力、对垂直数据的理解力，以及在极端情况下的“断供对抗”能力。开源不分国界，但实力有高下；中国AI正在通过开源走向世界，这是一种文化与技术的双重输出。我们欢迎全世界站在我们的肩膀上起飞，但请记得：致敬开源精神的第一步，是诚实

78. 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#

79. 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#

80. 【阿里开源通义DeepResearch，性能超OpenAI、DeepSeek旗舰模型】9月17日，阿里巴巴宣布开源其首个深度研究Agent模型——通义DeepResearch。该模型在HLE、BrowseComp-zh、GAIA等多个权威评测中取得SOTA成绩，表现超越OpenAI Deep Research及DeepSeek-V3.1等同类模型。通义DeepResearch具备强大的复杂任务推理与执行能力，其模型、框架与技术方案已全面开放，用户可通过Github、Hugging Face和魔搭社区免费下载使用。今年以来，阿里已连续开源WebWalker、WebDancer和WebSailor等多款检索和推理智能体，并全部斩获开源SOTA成绩。

81. 盘点一周AI大事(12月21日)｜谷歌手撕OpenAI OpenAI 上线最强图像模型GPT Image 1.5 OpenAI发布最强编码模型GPT-5.2-Codex Google发布 Gemini 3 Flash Google开源A2UI协议微软开源最强3D模型TRELLIS 2 阿里开源分层编辑图像模型Qwen-Image-Layered 阿里发布Veo 3平替Wan2.6 字节发布Veo 3平替Seedance 1.5 pro 腾讯开源首个实时交互世界模型WorldPlay 研究员开源照片重新对焦Genfocus Pipeline 研究员开源实时换脸视频模型PersonaLive Meta开源最强声音分割模型SAM Audio #抖音知识年终大赏 #AI新星计划 #OpenAI #AIGC #前沿科技趋势发布月

82. #中国AI技术引发海外焦虑#千问AI的价值不能简单用对标ChatGPT衡量，背后是中国AI产业体系的整体跃升。从芯片适配到框架优化，从模型架构到应用生态，中国正在构建完整的AI产业能力。这种全链条的技术积累，使得千问AI助手能够更好地满足多元化场景需求，特别是在中文理解、本土化应用等方面展现出独特优势。更重要的是，通过开源协作，阿里千问正在构建具有全球影响力的创新AI生态！

83. 给大家推荐一个不错的开源项目 Hello-Agents，是一套从零开始学习构建智能体的免费教程。内容覆盖得比较全面。基础部分讲了大模型和 Agent 的核心概念，实战部分手把手带你实现 ReAct、Plan-and-Solve、Reflection 这些开发模式。如果你更习惯用低代码平台，教程里也有 Coze、Dify、n8n 的实操内容。框架方面涉及 Python 生态里常用的 AutoGen、AgentScope、LangGraph，项目本身还从零搭建了一个 HelloAgents 框架。除此之外，记忆机制、RAG、MCP、评估方法这些也都有涉及，案例挺多的，还整理了面试相关的题目和代码。唯一的小遗憾是代码都是 Python 写的。顺便说一句，这个项目来自 datawhalechina 组织，他们那里还有不少其他 AI 相关的教程资源，感兴趣可以去看看。开源项目地址：github.com/datawhalechina/hello-agents#科技先锋官##微博兴趣创作计划##AI创造营#

84. 日常与数据库打交道时，想直接用自然语言查询数据，写SQL总是费时费力。Vanna 是一款开源的 Python 框架，利用最新的检索增强生成（RAG）技术，帮你把自然语言自动转成精准的SQL语句，支持多种主流数据库和大语言模型。它不仅能训练专属的问答模型，还能直接执行生成的SQL，返回查询结果和数据可视化图表，极大提高数据分析效率。Vanna 支持PostgreSQL、MySQL、Oracle等数据库，兼容OpenAI、Anthropic等多种LLM，使用灵活且安全，数据不会外泄，所有SQL都在本地执行。安装简单，pip 一键搞定，文档详细，新手也能快速上手。无论是数据科学家、开发者，还是业务分析师，都能从中受益。项目地址：github.com/vanna-ai/vanna主要功能：- 自然语言转SQL，精确执行复杂查询- 支持多种数据库和主流大语言模型- 训练自定义RAG模型，提升问答准确度- 查询结果同步返回表格与可视化图表- 代码开源，MIT许可证，社区活跃- 多种用户接口示例，方便二次开发和集成想用更简单的方式跟数据库“对话”？Vanna 帮你开启智能数据查询新时代。

85. 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#

86. 新加坡放弃美国AI模型，改用中国开源模型#据新加坡媒体报道，11月25日，新加坡国家人工智能计划宣布了一项重大技术路线调整：在其最新发布的、旨在服务整个东南亚的旗舰大模型中，放弃了美国开源体系，转而采用中国企业的开源架构。有分析认为，这一事件在全球AI版图上投下了一颗重磅信号弹：中国开源AI模型正在从技术追赶者，变为全球信赖的“技术底座”。与此同时，中国AI风暴也刮到了美国。英国《金融时报》报道称，美国麻省理工学院的研究发现，过去一年，中国团队开发的开源AI模型下载量占比上升至17%，首次超过美国同行，在AI技术的全球应用中取得关键优势。超维界的微博视频

87. OpenClaw国产开源平替！AstrBot迷你主机部署漫谈

88. #中国AI技术引发海外焦虑#漂亮国的恐慌来源于现在的开源战略正在重塑AI竞争逻辑，在闭源模型构建技术壁垒的当下，阿里的开源选择展现出不同的发展理念。这种鲶鱼效应不仅体现在技术层面，更深刻地影响着全球AI治理和发展方向。开源模式降低了技术门槛，加速了创新迭代，使更多国家和企业能够参与AI发展进程。这种开放协作的理念可能更符合人工智能技术发展的内在要求。

89. 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

90. 《从零开始构建智能体》从基础理论到实际应用，全面掌握智能体系统的设计与实现在线阅读： datawhalechina.github.io/hello-agents/Hello-Agents 是 Datawhale 社区的系统性智能体学习教程。如今 Agent 构建主要分为两派，一派是 Dify，Coze，n8n 这类软件工程类 Agent，其本质是流程驱动的软件开发，LLM 作为数据处理的后端；另一派则是 AI 原生的 Agent，即真正以 AI 驱动的 Agent。本教程旨在带领大家深入理解并构建后者——真正的 AI Native Agent。教程将带领你穿透框架表象，从智能体的核心原理出发，深入其核心架构，理解其经典范式，并最终亲手构建起属于自己的多智能体应用。我们相信，最好的学习方式就是动手实践。希望这本教程能成为你探索智能体世界的起点，能够从一名大语言模型的"使用者"，蜕变为一名智能体系统的"构建者"。✨ 你将收获什么？ 📖 Datawhale 开源免费完全免费学习本项目所有内容，与社区共同成长 🔍 理解核心原理深入理解智能体的概念、历史与经典范式 🏗️ 亲手实现掌握热门低代码平台和智能体代码框架的使用 🛠️ 自研框架HelloAgents 基于 Openai 原生 API 从零构建一个自己的智能体框架 ⚙️ 掌握高级技能一步步实现上下文工程、Memory、协议、评估等系统性技术 🤝 模型训练掌握 Agentic RL，从 SFT 到 GRPO 的全流程实战训练 LLM 🚀 驱动真实案例实战开发智能旅行助手、赛博小镇等综合项目 📖 求职面试学习智能体求职相关面试问题#科技先锋官#

91. #一条音频告别2025##微博声浪计划# 韩国2000亿韩元AI竞赛陷争议，三家入围团队被曝用中国开源模型代码。事件核心是开源合规与核心自主的边界问题，赛事要求核心模块自主，而非完全从零开发。这折射出全球AI生态中开源共享与技术自主的矛盾，小国AI发展需平衡协作与安全。#如何看韩国AI用中国模型代码# 种斌Marco的微博音频

92. 《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

93. 🚨突发新闻：Qwen 团队刚刚发布了他们的官方代理框架，它包含了所有功能。无需拼接第三方库。无需对抗抽象概念。Qwen-Agent 为您提供：→框架内直接内置的原生函数调用→开箱即用的安全代码解释器沙箱→ RAG 和 MCP 支持包括→用于浏览器原生代理工作流程的 Chrome 扩展程序由构建模型的团队开发，所以它运行稳定可靠。100% 开源且完全免费。

94. 小米发布并开源具身基座模型MiMo - Embodied，并同步开源技术报告、代码及完整模型。人类在厨房烹饪、客厅整理、道路通行等不同场景中，能依靠同一套对空间、物体及动态规律的通用理解能力完成行为切换，这一现象为AI技术研发提供了关键启发。从技术本质来看，机器人与自动驾驶系统的核心诉求均围绕感知、理解物理世界及预测动态变化展开，理论上可共享统一的物理世界认知框架。该模型通过多阶段预训练、思维链（CoT）及强化学习（RL）微调等技术路径，验证了自动驾驶与机器人数据间显著的正向迁移效应和相互强化价值。经实验验证，该模型在自动驾驶与机器人领域的29个权威基准测试中均达到当前最优水平（SOTA），同时完整保留通用视觉语言能力，充分证明了“统一具身智能大脑”的技术可行性。

95. 【北京经济技术开发区：构建模力方舟开源协作生态推动形成基于国产芯片、操作系统与开源框架的自主生态闭环】财联社1月31日电，北京经济技术开发区管理委员会印发《关于进一步加快建设全域人工智能之城的实施方案（2026—2027年）》。其中提到，构建模力方舟开源协作生态。优化社区开发者工具体系，提供代码托管、高效开发套件、智能运维栈等关键基础设施，降低贡献门槛，提升协作效率。支持开源大模型和工具链入驻，为创新项目提供种子算力包与技术支持，培育旗舰级开源项目。构建无界协作体系，集成项目孵化、算力支持、资金对接及交流协作于一体的全链条服务，加速项目成长与商业化进程。致力于打造软硬件自主可控的国家级人工智能开源社区，推动形成基于国产芯片、操作系统与开源框架的自主生态闭环。

96. 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！

97. 开源全模态 RAG 知识库项目调研报告

98. 介绍下9种RAG的架构

99. 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

100. 【开源革命】清华UltraRAG 2.1震撼发布！首个基于MCP架构设计的 RAG 框架

101. 提速30倍，Meta重新定义了新一代RAG！

102. 告别黑箱开发！这款国产开源框架，让复杂RAG系统搭建变得像搭积木一样简单

103. 16种RAG 架构汇总

104. 动手实现RAG

105. RAG_Techniques：40+项前沿RAG技术

106. 告别“炼丹黑箱”：UltraRAG 3.0 开源，你的 RAG 开发“透视外挂”

107. Meta开源REFRAG：RAG架构的革命性突破，效率提升30倍，大模型开发者必备！

108. Meta超级智能实验室开山之作：重新定义RAG

109. RAG实战|8种RAG架构浅析

110. UltraRAG 3.0 重磅开源：开箱即用，可视化搭建 RAG 应用！

111. Meta超级智能实验室开山之作！重新定义RAG

112. 告别黑盒开发！清华系团队开源 UltraRAG：用“搭积木”的方式构建复杂 RAG 流程

113. 【开源】清华重磅发布，告别胶水代码：用 YAML 编排打造多阶段推理 RAG，基于 MCP 的模块化框架，科研场景一键落地

114. 清华联合开源！首个基于 MCP 的 RAG 框架，太秀了。

115. RAG为什么会"越用越慢"？一份来自生产环境的反向调优指南

116. 《RAG实践手册》：小白也能上手的RAG系统开发实战指南

117. 【开源】11.6K Star！腾讯开源：复杂文档 RAG 框架，答案可追溯、可私有化，告别“搜不到、答不准”

118. 首个基于 MCP 架构的 RAG 框架！UltraRAG v2 如何重构检索增强生成？

119. 清华联合开源！首个基于 MCP 的 RAG 框架

120. 3分钟玩转RAG-Anything：揭开开源检索增强生成框架的奇迹

121. 别让你的RAG生产环境数据滞后_实时更新与时效性架构设计_看完这篇再动手_

122. RAG与GraphRAG的主要差异对比

123. 大模型应用RAG项目合集

124. 开源 RAG 技术栈全解析

125. AI学习笔记-RAG001:从0开始构建一个AI RAG项目

126. RAG-Anything：港大开源「万物皆可RAG」的多模态统一智能体框架

127. RAG系统搭建指南：5种主流框架

128. 2026 GraphRAG 方案盘点：知识图谱增强 RAG（技术选型指南

129. 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！

130. 清华 THUNLP 与东北大学 NEUIR 联合 OpenBMB 与 AI9Stars 发布 UltraRAG 2.0

131. Star 6.5k！告别RAG碎片化！香港大学开源RAG-Anything：一个框架搞定所有多模态文档

132. 一文看懂 AI 工作流平台怎么选？从使用场景对比 Dify、n8n、Coze、Fastgpt、Ragflow

133. 腾讯开源WeKnora：解决企业文档检索难题的RAG框架

134. 微软开源RAG系统，面向工业领域

135. RAG-Stack：性能质量协同优化

136. 2.5KStar爆红！RAG检索增强神器颠覆AI问答体验，开箱即用超越付费方案

137. RAG 构建，学这四个神级项目就够了

138. 从零开始造一个智能问答模型！这款开源RAG框架超越100+商业方案，开发人员惊呆了！

139. 开源RAG工具真能降低AI应用门槛吗？全网观点大碰撞

140. Milvus开源语义高亮模型：砍掉80%检索上下文

141. 高效构建RAG应用的利器：开源项目LightRAG，简便快捷

142. RAG开源基建之可观测性诊断分析工具RAGExplorer的几点细节

143. 基于LangChain-Chatchat实现的RAG-本地知识库的问答应用[1]-最新版快速实践并部署（检索增强生成RAG大模型）

144. RapidFire AI推出开源RAG并行优化工具包

145. LEANN：个人设备也能跑的高效私密RAG，省97%存储

146. 完全开源！Spring AI+Vue企业级RAG知识库智能问答系统，多AI模型适配+实时联网，检索精度提升90%，开源可商用

147. 开源了一个比较简单的rag评估框架

148. RAG-Anything：万能RAG框架，通吃所有格式，深度解析PDF、Office和图片！

149. RoutIR：让RAG“跑”起来的开源轻量级框架，所想即所得

150. ragflow v0.23.1 发布：Memory 稳定性全面增强，RAG 图像与表格理解升级，新增 GitHub / GitLab / Asana / IMAP 数据源

151. RAG开发太复杂？这个框架简化了不少

152. All-in-RAG:开源的RAG全栈技术教程

153. 企业级 RAG 系统开源：企业知识库、产品咨询、技术支持、合同检索等通用场景，支持日均 5 万次查询

154. 【AI大模型实战】从零搭建RAG应用：跳过LangChain，掌握文本分块、向量检索，零基础小白收藏这一篇就够了！！

155. Go + PostgreSQL 搞定向量存储：手把手实现RAG 基础引擎

156. 7.6k星的RAG框架

157. 如何科学评估 RAG 应用？RAGAS 开源框架深度解读

158. RAG保姆级教程，有这1个库就够了

159. 别再用难用的原生 RAG 了：手把手带你搭建 Adaptive RAG，实现检索策略自适应（附 Streamlit 全流程代码）

160. 猫头虎AI开源项目分享：通过压缩-感知-扩展来改善RAG应用延迟的高效框架：REFRAG，速度快、质量高

161. 可视化AI开发框架大揭秘：扣子、Dify、Ragflow的优劣势剖析

162. RAG与MCP：AI应用的两大基石，一文讲透如何选择

163. 用6GB存下6000万文档，RAG又站起来了。

164. 学 RAG 找工具找到头秃的日子终于结束😭

165. 首开源！LangGraph自适应RAG!📌基于langgraph搭建的全栈rag项目 ▪️主包也是第一次开源了自己开发的项目，同时也是第一次尝试开发全栈项目（前端部分全是由ai帮助，后端与智能体部分还是由主播独立完成的）qwq，耗时大概不到两个月吧（从这学期初，九月份一直到十月末）至于为什么现在才发出来，纯粹是主播太懒惰了，主要功能开发的差不多了就懒得管他了，而且本来这个项目也是为了一个小比赛，好吧，可能就是三分钟热度，没有尽快收尾哈哈哈哈，不管了废话到这里，接下来简单介绍一下这个项目。后端使用的fastapi，前端使用vue，使用langgraph搭建了一个自动判断选择rag类型的智能体，场景是针对需要阅读大量技术文档的技术工作中，使用crawl4ai爬取技术文档，同时构建向量数据库与知识图谱（知识图谱的部分使用港大的lightrag，在知识图谱领域，是个不错的开源项目），用户提问时，会根据你的问题类型选择其中一种知识库进行回答（不要问主播这样到底效果会更好吗，个人觉得未必哈哈哈哈，而且知识图谱构建确实太慢了，但是作为练手的项目，效果是无所谓的，主要是想锻炼一下前后端开发的能力），对话右侧是agent的架构，会实时显示，每个节点的内容也是可以查看的。 ▪️搭建项目的过程中收获还是蛮多的，智能体开发上包括langgraph的checkpoint的持久化存储，长短期记忆的实现，context的使用，多种模式的流式输出，一些规范上的事情，后端方面，jwt鉴权，项目结构的管理，接口的编写等等。 ▪️▪️最后附上开源地址，公网地址就不附了，担心被轰炸嘤嘤嘤，https://github.com/zxj-2023/AdaptiMultiRAG #大模型 #开发 #langchain #langgraph#博士

166. GitHub Trending 日报【2025-09-26】

UltraRAG是RAG框架的未来还是过度炒作？全网观点大碰撞

张大妈

张大妈

UltraRAG是RAG框架的未来还是过度炒作？全网观点大碰撞

精选参考来源

张大妈

张大妈