RAG技术能根治大模型幻觉吗？全网观点激烈交锋_科学技术

1. RAG技术能根治大模型幻觉吗？全网观点大碰撞

2. RAG技术能根治大模型幻觉吗？全网观点激烈交锋

3. RAG技术真能减少AI胡说八道吗？全网观点大碰撞

4. RAG技术能否根治大模型幻觉？正反观点激烈交锋

5. 彻底解决RAG模型幻觉问题 #RAG #ai大模型 #大模型应用 #人工智能

6. 如何解决RAG的幻觉问题？ #编程 #大模型 #程序员 #Java #RAG

7. 【论文精读】CRAG

8. 【28天AI通关指南 Day 6】通俗讲解RAG技术，为什么AI都在用它？

9. 大模型避免幻觉的三种模式

10. RAG技术

11. 解决AI幻觉问题

12. 告别“一本正经地胡说八道”

13. RAG系统的6个幻觉问题+4个缓解阶段策略

14. 智能体来了西南总部

15. 从幻觉到精准，RAG技术在企业应用中，痛点诊断与实战方案

16. LangChain×Qwen3

17. RAG 中的幻觉检测方法基准测试

18. TAdaRAG

19. 幻觉严重、延迟太高？RAG这三大死穴，却被DeepSeek一招破解

20. 再总结RAG系统的6个幻觉问题+4个缓解阶段策略及科研文生图方案对比评估

21. 第七篇

22. 构建AI智能体

23. 大模型频频“幻觉”怎么办，RAG技术或成企业AI破局关键

24. RAG技术

25. Agent篇(26)

26. 摩根大通年省1.5亿美元的秘密

27. 揭秘RAG

28. AI也会说谎？揭秘可靠RAG让智能助手不再胡说八道

29. RAG技术原理与应用

30. 深度解析

31. 为什么大模型会「说胡话」？如何解决大模型的「幻觉」问题？

32. 大模型如何避免“幻觉”（编造事实）？

33. 前沿｜如何系统化应对AI大模型的“幻觉”问题？

34. 大模型从玩具到工具的核心是控制幻觉

35. 面试官

36. 什么是大模型幻觉？该如何应对?直接背

37. 自信地胡说八道

38. 如何解决大模型幻觉问题？

39. 揭秘！大模型 “幻觉” 问题终于能解决？

40. 如何系统化应对AI大模型的“幻觉”问题？

41. 大模型如何降低幻觉

42. 大模型为什么会产生幻觉？有时胡说八道

43. 大模型幻觉问题深度解析

44. 当AI开始胡说八道

45. 为什么大模型幻觉无法根除？OpenAI 36页论文深度解析幻觉的根源、成因与缓解方案

46. 为什么人工智能大模型会产生幻觉？OpenAI最新研究终于搞清楚了

47. OpenAI团队揭露

48. 大模型专题报告

49. 当大模型开始"胡说八道":幻觉检测与修正算法,正在决定AI能走多远

50. 实战指南

51. 大模型幻觉问题及其解决方案，一文搞懂大模型幻觉！

52. 大模型幻觉终结者

53. 为什么我不再相信RAG？实战RAG弊端揭秘

54. 我算是见识到算法岗rag面试强度了。

55. 医疗AI的“开卷考试”

56. RAG服务开发技术解析

57. RAG评测体系深度解析

58. 【科普】RAG

59. 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

60. AI项目里说的RAG是什么意思

61. RAG技术是什么，学会它有什么用？#办公日常 #RAG #RAG技术 #创作人计划 #普及知识

62. 大模型的外挂大脑RAG #人工智能 #大模型 #ai #程序员 #大模型应用

63. 如何减少或消除大模型幻觉？

64. 静态 RAG 与动态 RAG 技术全解析

65. 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

66. 面试问缓解大模型幻觉？核心考点在这！

67. 产品经理必学，RAG技术不是银弹，但这三类场景用对就赚了

68. 【AI产品每日一问】Day1: RAG技术

69. 生产级别的RAG系统是什么样的？

70. 大模型幻觉的原因找到了~

71. 冷静祛魅与场景深耕

72. 一文讲清RAG检索生成原理

73. RAG 和 CE 是什么关系？我们真的需要 RAG 吗？

74. RAG评估体系完善，多模态嵌入模型上线 | RAG技术圈一周观察（10.23-10.29）

75. 小米一面

76. 如何量化评估RAG系统效果

77. 金融科技Agentic RAG新框架

78. RAG，你害惨我了

79. 如何在 n8n 里消除大模型幻觉？别再被 AI 幻觉坑了！

80. RAG 应用 —— 解锁大模型在各行业的落地场景与价值

81. RAG——为什么说RAG是AI 2.0时代的“杀手级”应用

82. AI应用，RAG的挑战与未来

83. 腾讯基于 RAG 和 Agent 技术的混元大模型业务落地实践

84. RAG概念、关键组件、工作原理及应用场景

85. 如何将RAG技术应用于本地知识库的构建？

86. 每天吃透一个LLM知识点 | RAG检索增强生成

87. RAG技术主流实现方式及其在医疗行业的落地分析

88. RAG实践指南

89. 深度解析 RAG 技术

90. DAY1 - RAG技术与应用

91. 智能体是大脑，RAG是工具库

92. 如何通俗地理解 RAG？

93. 大模型入门指南——RAG vs Agent RAG

94. RAG专治大模型幻觉？99%的人都用错了大模型

95. 2026年AI最火的三个技术方向

96. AI总"胡说八道"？RAG技术让大模型从"不靠谱"变"专业助手"

97. 【AI篇】RAG与知识图谱

98. RAG实战，让你的AI不再胡说八道

99. RAG技术揭秘

100. RAG技术与应用

101. 大模型RAG方案对比

102. 【2025最新版】RAG实战开发教程，细致讲解RAG检索增强生成的理论与实战代码，让你彻底掌握！

103. 未来智能体不能把它看成软件，它可以把大模型的专业能力提炼出来 #大咖观察 #红衣聊AI

104. 与其追求成为一个从不犯错的人，不如打造一个就算犯错也能被纠正的流程。#大咖观察 #红衣聊AI #人工智能 #大模型

105. 大语言模型是不是发展到头了？

106. 核心AI场景首超英伟达，一场国产算力的“破局叙事”｜甲子光年

107. RAG、LangChain、Agent 到底有什么关系？

108. 如何评价杨立昆认为大模型只是对海量文本的模式进行复杂拟合，根本不懂意义？

109. 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】

110. AI的安全从来不是加个补丁的事。而是要把安全基因嵌进模型的每一步。#大咖观察 #红衣聊AI #网络安全

111. #天禧AI从助手到队友#前段时间发布的天禧AI 个人超级智能体3.5有没有体验过的朋友？4.0也即将到来了！天禧AI3.5实现个性化、行动力、交互体验三大飞跃，核心升级是从“执行命令的助手”转变为“主动预判、深度协同的队友”。首先是个性化，它具备全时空主动记忆能力，能基于用户习惯主动提供服务，并整合跨设备信息形成个人知识库。其次是能调度多个AI智能体协同完成复杂任务，并新增AI播客、修图等场景化深度功能。在交互体验上，通过超级互联技术实现多端一致体验，并提供AI随心窗等更自然的交互界面。在实际应用中，就像直播里演示的那样，它能够深度融入工作、学习与生活场景，多屏同步下能高效执行任务，碰一下就能传等等。我觉得天禧AI从助手真的是从工具变成了有闭环执行能力的队友，真的很方便。

112. 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

113. “全球大模型第一股”紧急致歉

114. 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#

115. 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#

116. 【告别Few-shot，自我验证才是AI准确性的未来】Meta AI研究人员发现了一种让大模型准确率提升94%的技术，而且完全不需要任何示例。这就是"验证链"（Chain-of-Verification，CoVe）。传统提示词的困境在于：大模型会产生幻觉，自信满满地给出完全错误的答案。Few-shot示例虽有帮助，但受限于示例选择、token预算，且依然无法根治幻觉问题。我们一直在治标，而非治本。CoVe的核心逻辑是让模型自己检验自己，分四步走：1. 生成初始回答2. 规划验证问题3. 独立回答这些验证问题4. 基于验证结果生成最终答案关键在于"独立"二字。模型单独回答每个验证问题，避免了循环论证——不再是为自己的第一个答案辩护，而是客观地核查它。生成与验证分离，这才是破局之道。实测数据：复杂问答准确率从68%跃升至94%，适用于GPT-4、Claude、Gemini等主流模型，无需微调，零样本即可生效。可以直接使用的提示词模板：[你的问题]请按以下步骤执行：1. 提供你的初始答案2. 生成3-5个能暴露答案错误的验证问题3. 独立回答每个验证问题4. 基于验证结果提供修正后的最终答案有人质疑这项技术早在2023年9月就已存在，为何现在才火。技术的价值不在于发明时间，而在于被真正理解和应用的时刻。也有人指出，说Few-shot已死有些夸张——在教模型语气和结构方面，示例仍有用武之地。这是进化，不是替代。更深一层看，这揭示了一个范式转移：从"给更好的示例"到"让模型更好地思考"，再到"让模型学会自我怀疑"。真正的技能变成了：清晰描述任务，让模型思考，然后让模型质疑自己。AI准确性的未来，在于验证，而非生成。原文：x.com/godofprompt/status/2008125436774215722

117. 在大模型应用中，如何提升RAG（检索增强生成）的能力？

118. 说实话，我一直不明白为何一直有人教用本地模型搭建个人知识库这个事情。。。模型已经训练了人类基本上可以搜集到的所有数据，而工具的能力，可以搜索今天互联网上所有最新的数据。而你所在的行业，如果真的有有价值的私有数据，那么一定是公司已经汇集好并且早就开始运用各种关系矢量RAG微调或者什么乱七八糟的技术，用模型优化好几轮了。你还用你手里那些不知道意义为何的数据去重新喂模型，图什么。。。你以为你手里的数据，6个月后，还值几个钱。。。

119. 中国打造了一个“维基百科替代品”，揭示了我们存储人类知识的致命缺陷。绝大多数科学知识只压缩成结论，告诉你“是什么”，却不说明“为什么”。这导致了知识的“暗物质”——隐藏在各科学概念之间、看不见的推理链条。他们的解决方案是：用“苏格拉底AI”生成300万条基于第一性原理的问题，覆盖200门课程。每个问题由多个独立大模型解答，再通过交叉验证保证正确性。结果是一个经过验证的长链推理知识库，每个概念都能追溯到根本原理。他们还开发了“Brainstorm搜索引擎”，实现“逆向知识搜索”。你不用问“什么是瞬子”，而是获得所有推导瞬子的推理链：从量子隧穿、QCD真空结构，到霍金辐射、4D流形突破。这就是“知识暗物质”的可视化。SciencePedia现有20万条条目，涵盖数学、物理、化学、生物、工程。基于长链推理的文章比GPT-4减少50%幻觉，知识密度显著提升。每条推理链都可验证，避免了盲目信任维基引用，直接看到第一性原理的推导。这不仅是更好的搜索，更是外化了支撑科学的隐形推理网络。人类知识的“暗物质”首次被照亮。——他们的工作流也极具创新：一个“规划器”生成问题概要，“生成器”扩展成具体可验证的问题，多位独立“解题者”（不同大模型）解答，同意的答案才被保留，自动过滤幻觉。——架构改变了游戏规则：用户查询→关键词提取→长链推理知识库检索→跨学科相关性排序→大模型综合成连贯文章。“逆向知识搜索”揭示概念间的“如何关联”，而非仅仅“是什么”。——结果对传统方法冲击巨大：科学文章覆盖数学分析、材料化学、量子力学、深度学习、免疫学等领域，独特知识点更多、无废话。——幻觉率降低一半：无上下文大模型错误率约20%，基于验证推理链的系统降至10%。验证根源而非盲目生成，提升了可靠性。——知识图谱揭示“暗物质”结构：12万关键词节点，7454个基础社区，21层层级，数学与物理交融，物理连通化学，生物桥接工程，跨领域连接清晰明了，传统百科完全忽视。全文论文地址：arxiv.org/abs/2510.26854 项目主页：网页链接——这套体系有望重塑学术真理验证范式，从单纯共识走向基于推导的信任，彻底颠覆知识管理和传播。人类知识的隐秘推理链终于被揭示，未来教育、科研、搜索将迎来质的飞跃。原文链接：x.com/godofprompt/status/1985645447487373331

120. 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#

121. 开源是战略，生态是王炸，阿里千问入局AItoC #千问 #大模型

122. 整个AI圈被图灵奖得主掀桌子了！ #大咖观察 #红衣聊AI #图灵 #Meta #OpenAI

123. AI的未来不仅仅是要比以前更聪明，还得要更安全。用安全守护创新，这才是大模型时代的生存法则。#大咖观察 #红衣聊AI #网络安全 #大模型

124. 知乎学术酒吧·与超能小艺的微醺夜活动，不知道大家关注没有，主持人和嘉宾们谈笑间就把华为小艺的各个功能和应用场景给带了出来，像小艺简报、小艺时光机、小艺知识库、小艺修图智能体等等，那么这些小艺的功能，你用过吗？正好，我也是华为小艺的深度用户，今天就和大家分享下华为小艺是怎么让我变得更强的！以前总觉得手机的AI助手是工具人，而现在华为小艺更像能懂我需求的外置大脑！先吹爆小艺知识库，简直就是解决我信息碎片化的救星。做我们这行的难免要收藏一堆行业报告、技术参数、回忆记录，以前散在浏览器、PDF、录音里，找的时候翻半天，现在这些文档、录音都能存进小艺知识库，然后它就能梳理这些项目的核心信息，生成AI摘要甚至还能生成音频播客，你想想这些上万字的行业调研报告，要是看怎么不得花点时间，现在有了小艺知识库，一键生成播客，边开车边听，遇到不懂的随口问一句，小艺立马解答，碎片时间直接被盘活。写深度评测报告时，小艺深度研究能帮大忙。专门帮我们搞定那些费时间的信息整理和研究的活，首先靠谱度拉满，信息都来自学术论文、行业报告这些权威渠道，不用咱自己甄别真假；其次效率翻倍，以前查资料、搭框架、整理内容，没几天下不来，现在一句指令全搞定，10分钟就能拿到成型内容；想要研究文档、数据报告还是智能PPT，按需输出，汇报、上课展示都能用；而且内容质量很高，逻辑顺、论据实，还能自动梳理参考文献，省了不少后续修改的功夫。举个例子，我想要小艺深度研究做个储存芯片市场分析，不用到处找数据、翻报告，直接跟小艺说“帮我分析下现在的储存芯片市场”，它就会自动联网挖信息，很快给出带图表的报告！就问你强不强。说实话，不管是内容创作者搞选题、办公族做行业调研，还是学生备课堂展示，都能用得上，能帮我们少走弯路，不用再对着一堆杂乱信息头疼，快速搞懂新领域、搞定研究任务，从天天埋在信息堆里的“工具人”，变成能高效搞定事儿的“聪明人”！还有小艺修图智能体，我工作中的刚需功能！以前处理照片调参数要花很长时间，现在把照片发给小艺，直接对着小艺说出修图内容就行，比如人像美颜、消除路人，换背景、生成氛围感光线等等，小艺几秒就出片，这不仅能给我节省超多时间，而且修图效果也超nice！感叹一句，全民PS大师时代真的来了！小艺时光机就是我的AI生活搭子！总能发现和保留我生活中的美好，授权后自动拾取运动、照片、旅行这些日常碎片，还能抓景点、天气，AI秒生成手记。刷一刷全是惊喜，存着、改改或者分享都超方便！超能小艺超能干这话一点不假，作为天天跟科技产品打交道的博主，它是真能帮我省精力，给我的生活和工作效率加分。一句话！华为小艺最强端侧智能体名不虚传，越早用小艺，越早拥抱AI时代的便捷！ #小艺# #华为小艺# #超能小艺#

125. #2月DeepSeek还会发新模型吗#AI圈2月模型的发布和迭代处于一个高峰期！头部厂商扎堆上新大模型，DeepSeek的新模型动态目前其新模型已完成灰度测试，技术储备到位，大概率会在2月正式亮相。根据目前媒体的爆料来看，DeepSeek的新模型主要亮点应该在：1M Token超长上下文，可轻松处理完整长篇文档；Engram条件记忆架构，大幅降低推理成本；强化数学与代码能力三个方面。巩固开源领域优势，同时更新知识库，提升多模态文档理解能力。也是DeepSeek稳稳抓住关注的关键。因为“长上下文+低成本”的差异化优势，精准匹配法律、金融等专业场景，开源属性也贴合开发者与企业需求。#过个有AI年# #HOW I AI#

126. 大模型Agent的核心还是prompt？

127. 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#

128. 这次春节AI大战，国产模型与国产芯片第一次，双向奔赴！ #春节世界观察 #新年囤点专业货 #燃起来了大国重器 #大咖观察 #红衣聊AI

129. 阿里除夕夜发布 Qwen3.5 模型，哪些技术亮点值得关注？对大模型发展有何影响？

130. RAG、LangChain、Agent 到底有什么关系？

131. 现在的大语言模型只是开始，真正的智能，要让机器理解物理世界。 #大咖观察 #红衣聊AI #智能制造 #科技

132. OpenAI翻车，会把全球第一的宝座拱手让人吗？ #大咖观察 #红衣聊AI #OpenAI #人工智能

133. 「小艺是我的双料生活助手」——顾得了娃，也能接住我的治愈系生活小日常～带娃的日子总忙东忙西？真的好想变身超人，用各种超能力来解决生活的琐碎！大家都知道我呢，很爱记录生活、也爱跟你们分享生活，每次发在社交平台的照片全靠超能小艺来修图，是真的无痛拯救废片了，比如消除路人、一键提亮色调……省了我好多修图的时间成本，废片瞬间变成人生大片~另外最戳我这个老母亲的是小艺时光机！自动整理娃最近的生活瞬间——手指一划，全是温暖的成长脚印，这比我手动整理相册省心一百倍～更让我震惊的是，关于娃的学习，#小艺#竟然也能搭把手。孩子现在正在“十万个为什么”的年纪，我总是防不胜防，突然被问冷门小知识，还好之前查过相关笔记并且加到了小艺知识库，只要跟檬姐说你打开小艺知识库，让TA回答你！就好啦～另外，平时焦头烂额的数学题，只要打开“小艺深度解题”智能体，再把题目拍给小艺，小艺就会分步讲解，比我讲得还清楚，而且还能举一反三，帮孩子梳理解题逻辑，辅导作业时，我感觉一员大将握在手，安全感爆棚。感觉现在的小艺太优秀了，墙裂推荐大家用起来！越早用小艺，越早拥抱AI时代！你的小艺是“带娃帮手”还是“家庭助手”？快来评论区也来分享你的隐藏用法！我们多多交流起来~#人类对小艺的开发不足百分之一#

134. 如何评价2025年9月22日DeepSeek新发布的DeepSeek-V3.1-Terminus模型？

135. 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#

136. Agent 框架记忆问题的解法～用过 LangChain、CrewAI 这些 Agent 框架的都知道一个痛点：它们的记忆管理很鸡肋。大多数框架的做法是：短期放在列表里，长期靠 RAG 检索。听起来合理，实际很脆弱。问题在哪？1. 信息丢失。RAG 只会检索出片段，但对话的整体脉络、为什么重要、前后的因果关系都丢了。用户说"上次那个项目"，Agent 可能查出相关文档，但根本不知道用户为什么关心这个项目。2. 幻觉加倍。Agent 基于零碎的检索结果推理，没有全局认知，自然容易编造细节。3. 记忆冲突。同一件事在不同时间表述可能不一样，Agent 也不知道哪个才是"真相"，结果前后矛盾。核心问题：RAG 本质是"我记不全，就检索部分"——但这对需要全局一致性的 Agent 任务来说，根本不够。文章的解法：混合记忆架构，不是非此即彼，而是分层：第一层：实时记忆 —— 最近 N 轮对话完整保留，一个字都不丢。这保证了 Agent 对当前对话的理解是准确的。第二层：压缩记忆 —— 更早的对话不是直接存，而是压缩成摘要。比如 50 轮对话压缩成"5 个关键决定 + 3 个重要背景"。成本低，还保留了信息密度。第三层：语义检索 —— 用向量数据库索引压缩后的记忆。这样检索时找的是"高浓度摘要"，而不是淹没在海量文档里。第四层：验证 —— 最关键的一步。Agent 每次从记忆里检索出来东西，要自己验证一下："这个旧记忆和我现在的对话一致吗？"不盲目信任。为什么这个方案值得用？1. 解决了 RAG 的致命问题——记忆有连贯性，Agent 知道全局脉络，不再前后不一。2. 成本可控——压缩记忆大幅降低向量库规模和 token 消耗，相比把所有历史都存下来，省一个数量级的钱。3. 可验证——加验证层，Agent 不会死板地信任过期的记忆。适用场景：- 长期对话的 AI 助手（用户期望 Agent 真的"记得我们的历史"）- 复杂多轮谈判或诊断（需要一致决策，不能前后矛盾）- 需要积累知识的任务流不适用的场景：- 单轮或短对话（没必要这么复杂）- 纯知识库查询（RAG 本身够用）原文：dev.to/diego_falciola_02ab709202/every-ai-agent-framework-has-a-memory-problem-heres-how-i-fixed-mine-1ieo#HOW I AI# #程序员#

137. 大模型更像人的大脑，智能体是大模型的手和脚。 #大咖观察 #红衣聊AI #智能体 #大模型

138. 豆包大模型 1.8 发布，通用 Agent 模型成为了 AI 行业的新叙事

139. AI 给市场带来了三个集体幻觉。第一个集体幻觉是特定约束下的巨大赋能，被线性外推为所有人所有事都能巨大赋能。这个幻觉最近还有一个变种，讲 AI 只对厉害的人巨大赋能，否则就是你不厉害，或者你对 AI 信仰充值不足。这和宗教也没啥区别。第二个集体幻觉是，效率的提升在大多数情况下并不能带来胜率的提升，节约了大量的人力成本，但并没有赚到更多的钱。体感澎湃和收益不变同时发生。第三个集体幻觉是，当所有人都能借力于 AI 得到效率提升时，所有人一起坐电梯上升，相当于技术通胀。个体不跟上就会损失收益，但跟上了也不会增加收益，此处可以类比为 “打字”。

140. 常见面试题：在构建知识库时，文本切块策略至关重要。你会如何选择合适的切块大小和重叠长度？这背后有什么权衡？这是一个典型但非常容易被低估的问题，尤其在偏工程、偏系统构建的场景里，切块策略几乎决定了 RAG / 知识库的“上限”。可以分三个层次开展开：如何选切块大小、如何选重叠长度、背后的核心权衡逻辑。一、切块大小怎么选，本质看三件事切块大小从来不是一个“经验数值”，而是由下面三件事共同决定的。 1. 语义完整性需求切块必须是一个最小可独立理解的语义单元。如果一个 chunk 本身就需要依赖前后内容才能理解，那它再怎么被召回都没有意义。 a. API 文档、函数说明一个函数 + 参数说明 + 返回值，通常是一个完整语义单元这种场景下，切块可以偏大 b. 论文、技术文章、设计文档一个自然段往往只表达一个子观点，但真正可用的信息常跨 2–3 段这种场景下，切块不能太小核心判断标准只有一句话：这个 chunk 被单独喂给 LLM，能不能完成一次有价值的推理？ 2. 嵌入模型的表达能力嵌入模型并不是“越长越好”。 a. chunk 太小向量只捕捉局部词义，语义密度低相似度搜索容易命中“看起来相关、实际没用”的片段 b. chunk 太大向量会被多个主题平均真正关键的信号被稀释，召回精度反而下降所以切块大小通常要落在嵌入模型的“有效语义压缩区间”内。以当前主流 embedding 模型为例，一个经验区间是：大约 300–800 tokens 属于比较稳定的区间不是硬规则，而是一个“风险较低的甜点区” 3. 下游 LLM 的上下文预算 chunk 大小 × 召回数量 = 上下文占用你最终不是在优化“向量库”，而是在优化：被召回内容 + 用户问题 + 系统指令 + 推理空间如果 chunk 太大，你只能召回很少的条目如果 chunk 太小，你需要召回很多条目才能拼出完整信息这会直接影响回答稳定性和可控性。二、重叠长度怎么选，它解决的是什么问题重叠并不是为了“多一点信息”，而是为了防止语义被切断。 1. 重叠解决的核心问题自然语言的语义边界，几乎从不等于固定 token 边界。常见断裂点包括： a. 段落结尾提出问题，下一段才给答案 b. 本段定义概念，下一段才给约束条件 c. 列表或推导跨段完成如果不重叠，你会制造大量“半残废 chunk”。 2. 重叠长度的经验原则重叠长度通常只需要覆盖： “一个最小跨段依赖窗口” 经验上可以这样理解：重叠 ≈ chunk 大小的 10%–30% 举例： 500 tokens 的 chunk 50–150 tokens 的 overlap 就已经能解决 80% 的断裂问题 3. 重叠太大的副作用 a. 向量高度相似，召回时产生冗余 b. 有效信息密度下降 c. 排序时多个 chunk 竞争同一个语义位置所以重叠不是越大越安全，而是“刚好不断”。三、真正的权衡：你在优化什么系统目标切块策略背后，其实是三个目标在互相拉扯。 1. 召回精度更小、更聚焦的 chunk，有利于精确匹配查询意图 2. 语义完整性更大的 chunk，更容易提供完整上下文，减少幻觉和误解 3. 系统效率与稳定性 chunk 数量、向量库规模、召回冗余、上下文占用都会影响系统成本和稳定性这三者不可能同时最大化。四、举个例子如果让我在真实系统里做，我通常是这样定策略的。 1. 先按自然结构切优先按标题、段落、代码块、函数定义切，而不是按 token 切 2. 再设一个“软上限” 比如：单 chunk 超过某个 token 数，就再二次拆分而不是一开始就硬切 3. 最后用 overlap 做兜底只在自然边界处加 overlap，而不是机械地滑窗 4. 用真实查询回放验证不是看“看起来合不合理”，而是看： a. 命中率 b. 是否需要多 chunk 拼接才能回答 c. LLM 是否经常“答非所问但语义相关” #ai创造营# #程序员#

141. 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#

142. 市值近600亿，大模型公司上市了！ #AI #智谱ai

143. 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#

144. 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！

145. 大模型幻觉的原因找到了

146. 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！

147. 【科普】《Science》称大模型「幻觉」难根除，大模型幻觉是什么？为什么根除不了

148. 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

149. 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

150. AI 为什么会编故事？4 种方法教你检测大模型的幻觉

151. 大模型”幻觉”终结者：RAG技术详解，程序员必学收藏

152. 大模型入门--幻觉篇

153. 突然发现：大模型RAG优化思路真的好清晰！

154. 挑战30天转行第28天-怎么做RAG评测？

155. 由系统问题引发的大模型幻觉，有这些解决途径......

156. 【收藏学习】手摸手RAG速成：大模型工程师必备的检索增强生成技术

157. 【AI编程】轻松理解：RAG vs 模型微调

158. 大模型幻觉：分类、成因与检测方法

159. 理论前瞻 | 大语言模型幻觉检测方法综述

160. 《缓解大语言模型（LLMs）幻觉：面向应用的检索增强生成（RAG）、推理与智能体系统综述》

161. RAG全栈技术从基础到精通，打造高精准AI应用【完结，资料齐全】

162. DeepSeek + RAGFlow 构建个人知识库，解决AI胡说八道

163. 大模型幻觉缓解的四类方法

164. 这是我至今为止看到最干最系统地讲解RAG文章

165. 大模型RAG技术全解析：从入门到企业级的4个段位选择指南！

166. AI面试常挂题！"评估RAG效果"新手盯指标，老鸟却栽在产品视角上

167. 从技术原理到场景落地，RAG让企业AI，告别\

168. 每日GitHub精选：RAG 系统必备评估神器 Ragas

169. RAG新手指南：深度揭秘大模型防幻觉的秘密武器

170. AI笔记day21: RAG过程简述（产品面试版）

171. 给RAG打分：小白也能懂的AI系统评测全攻略

172. RAG检索增强生成技术的演进及其应用

173. RAG面试高频题速查

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

175. AI幻觉问题及缓解策略

176. 从 RAG 到 CAG：AI 正在超越“检索”，学会“融会贯通”！

177. LLM评测（一）Rag幻觉评测

178. 《RAG应用场景实战：7大真实案例带你落地RAG技术》

RAG技术能根治大模型幻觉吗？全网观点激烈交锋

精选参考来源