RAG 不够用之后：用 Tech Graph 给 AI 代码协作补上全局地图
这篇文章对比了RAG和Agentic Search在代码协作中的优劣：RAG像资料问答，面对高频变更的代码容易索引滞后、语义碎片化；Agentic Search像人类查代码，能实时对齐事实但缺少全局共识。作者提出用静态且可验证的架构事实源（Tech Graph）来收敛入口、契约、失败路径和运行观测，与动态探索层互补，形成可接手、可追踪、可排障的低幻觉协作闭环。
80%的工作量不在提示词：企业部署AI Agent真正卡在哪
代理式AI（Agentic AI）是能够自主感知、推理和行动的AI系统，正在金融、零售等行业加速落地。但企业实施时面临数据工程、治理和集成等挑战，需制定战略并评估风险。
LLM Wiki 实测：把文档编译成知识库，比传统 RAG 强在哪
LLM Wiki 是一个跨平台桌面应用，它利用大语言模型将你的文档自动转化为结构化的维基知识库。与传统的RAG每次查询都重新检索不同，它采用增量构建方式，知识只编译一次并持续维护。该项目基于Karpathy的LLM Wiki模式，并增加了图形界面、知识图谱、多格式文档解析等大量增强功能。
Mistral 把 RAG 改成五工具循环，准确率从 26.7% 跳到 86%
Mistral 在 2026 年 8 月推出 Agentic Search，把传统一次性 RAG 改造成由模型驱动的多步检索循环：模型通过 search、open、navigate、read、grep 五个文件系统式工具，自己决定搜什么、打开哪份文档、读哪一段，直到证据足够再作答。官方自测显示 FinanceBench 准确率从 26.7% 提升到 86%，OfficeQA Pro 从 6.3% 提升到 51.9%，同时 token 消耗和延迟反而下降。文章还给出了最小循环代码骨架和适用场景判断。
从PPO到Agentic RL：大厂基模组面试的算法全景与实战坑点
这是一份面向大厂基模组面试的 Agentic 强化学习系统学习手册，从 MDP、策略梯度等数学基础讲起，梳理 PPO、DPO、GRPO 三大家族及 GSPO、StepPO、ARPO 等前沿变体，并覆盖 Agentic RL 的信用分配、多轮交互、工具调用、在策略蒸馏与开源训练框架等工程实践。文章还整理了 13 道面试高频问答，适合作为系统性复习与知识查漏的参考。
从 Transformer 到多智能体编排：一本 29 章指南如何串起智能体 AI 全栈
这是一本面向从业者的智能体AI技术指南的前言，概述了从Transformer架构、强化学习对齐到多智能体编排的完整知识体系。作者基于二十年智能体研究经历，梳理了2026年智能体AI的技术格局，并说明了全书29章的组织结构与设计理念。
语义搜索落地后，为什么关键词匹配还不能丢？
语义搜索通过嵌入向量按含义匹配查询与内容，能解决用户用词与文档措辞不一致的问题。实现分为向量化、索引、召回、排序四个环节，但准确名称、错误码和SKU仍需保留关键词匹配。建议先评估混合检索是否优于现有方案，再决定是否替换。
证据溯源做成一等公民：Librarium 如何让 AI 研究结果可追溯
Librarium 是一个证据感知的多提供商研究工具，支持人类和 AI 代理使用。它通过显式配置的提供商档案规划研究请求，执行搜索并记录来源，保留收集和访问的溯源信息，帮助调用者判断结果含义。
小显卡跑 Gemma 4 投机解码：单请求加速 1.72 倍，并发反而变慢
本文提供了一份分步指南，教你如何使用llama.cpp的投机解码功能，在RTX 3050 OEM和GTX 1650 Ti两张小型NVIDIA显卡上部署Gemma 4 E2B和E4B模型及其QAT助手草稿模型。实测显示，单请求下草稿模型能带来1.18倍到1.72倍的加速，且答案质量不变，但在多请求或长对话场景下加速效果会减弱甚至变为负优化。
74篇文章