Archive · 文章索引
全部文章
从 GEO 方法论到 AI 搜索实战,按发布时间收录站内全部已发布文章。
语义搜索到底怎么理解“孟字去掉子”?本体、知识库与嵌入模型拆解
语义搜索通过理解查询意图而非字面匹配来返回结果,其核心依赖本体与知识库进行推理。随着多模态嵌入模型的发展,文本、图像等跨模态语义搜索的技术门槛正在降低,并已进入OneDrive、MagicOS等实际产品。

TPU v5e 与 v6e 实测:Gemma 4 推理吞吐量对比与量化收益
本文是“Inference on Google Cloud”演讲的配套文章,详细介绍了如何在Cloud TPU v5e和v6e上通过vLLM部署Gemma 4模型,并对比了不同硬件(包括NVIDIA L4、Blackwell、AMD MI300X和AWS Inferentia)的性能。文章通过实际测试展示了量化(int8)和4位嵌入表对吞吐量的提升,并提供了从环境准备到长上下文处理的完整步骤。

Mistral Agentic Search 实测:多步检索让准确率从 26.7% 跳到 86%
Mistral 在2026年8月20日发布了 Agentic Search,它给模型提供了 search、open、navigate、read、grep 五个类似文件系统的工具,让模型通过多步检索循环来查找、定位和验证信息。在 FinanceBench 金融问答基准上,准确率从26.7%提升到86%,p90延迟最高下降39.6%。

把检索从主模型手里拆出来:Search Agent 让超大型仓库省下三成 Token
这篇文章分析了传统AI编程助手在代码检索上的瓶颈,提出将检索任务交给独立的Search Agent处理。通过职责解耦、多路混合检索和并行迭代,该方案在大型代码仓库中能显著降低主模型Token消耗(最高30.46%),同时提升任务完成质量。

品牌在AI答案里只活30%:GEO正在改写搜索规则
生成引擎优化(GEO)是让品牌在ChatGPT、Google AI、Perplexity等AI搜索答案中出现的实践。与传统SEO竞争排名不同,GEO竞争的是被AI答案收录。本文解释GEO概念、与SEO的区别,并提供从快速技术调整到中期品牌建设的策略,帮助提升AI品牌可见性。

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。

慕尼黑法院裁定:谷歌AI概览不再是搜索,而是自己的言论
德国慕尼黑地区法院作出一项临时禁令,认定谷歌的AI搜索概览属于其自身内容,因此谷歌需对AI生成的虚假陈述直接负责。法院指出,传统搜索引擎的免责规则不适用于AI概览,因为AI会以自身语言和结构生成新内容。这一裁决可能对全球AI服务提供商产生深远影响。

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。

