LangChain 与 Amazon Bedrock Knowledge Bases 的智能体检索实践
Amazon Bedrock Managed Knowledge Bases 现已支持 agentic retrieval，通过 AgenticRetrieveStream API 把多部分问题拆成子查询、循环检索并判断证据是否充分，而 Retrieve API 只做一次混合搜索。
#RAG
#RAG
今日 6 条AWS Machine Learning BlogAI 评估 · 39/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 39/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Milvus(@milvusio)AI 评估 · 25/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 25/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Milvus HNSW 的 SQ、PQ 与 PRQ：向量压缩方式对比
Milvus 为 HNSW 提供 HNSW_SQ、HNSW_PQ 和 HNSW_PRQ 三种向量压缩索引，用于降低图构建与距离计算中的内存占用。SQ 对每一维量化，SQ8 与 SQ6 分别用 8 位和 6 位，SQ4U 用 4 位无符号值并共享统一范围；PQ 将向量切分为子向量并以码本索引表示；PRQ 在 PQ 基础上分阶段编码残差，代价是额外训练、构建与距离计算开销。
meng shao(@shao__meng)AI 评估 · 40/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 40/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 《Hands-On Large Language Models》全书近 300 张自制图解拆解 LLM 原理与架构
JayAlammar 与 MaartenGr 合著的《Hands-On Large Language Models》全书绘制近 300 张自制图，作者称之为 "The Illustrated LLM Book"。
Z PotentialsAI 评估 · 55/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 55/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Harvey 联创 Gabe Pereyra：应用公司如何借助开源与评测建立研究能力
法律 AI 公司 Harvey 联合创始人兼总裁 Gabe Pereyra 在 Sequoia Capital 的“Own Your Intelligence”活动上，介绍了应用公司在资金、算力不及基础模型公司时建立研究能力的方法：先建评测标准与训练数据，再与外部研究团队合作完成后训练，最后搭建模型部署基础设施。
AI Engineer(@aiDotEngineer)AI 评估 · 20/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 20/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Reducto 的 Adit Abraham：文本摘要助检索，结构化表格助推理
Reducto 的 Adit Abraham 指出，文本摘要有利于检索，结构化表格则有利于推理，因此智能体能否"找到"表格与能否"读"表格是两回事。该观点来自其在 World's Fair 2026 的演讲，AI Engineer NYC 将于 10 月 12 日至 14 日举行。
Jerry Liu(@jerryjliu0)AI 评估 · 42/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 42/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 LlamaIndex 发布 Extract v2.5：文档抽取智能体，成本低于 Opus 5.5 与 GPT-6 Sol
LlamaIndex 推出 Extract v2.5 系列文档抽取智能体，分 cost-effective、agentic、agentic plus 三档，在价值准确率与溯源上优于 Claude Opus 5.5 和 GPT-6 Sol，且便宜 30%-4x。
Qdrant(@qdrant_engine)AI 评估 · 34/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 34/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Lucy 在 Qdrant 上搭建覆盖 2.8M+ SEC 与韩国 DART 文件的检索层，FinanceBench Recall@10 达 94.7%
Lucy 基于 Qdrant 构建了覆盖 2.8M+ SEC 与韩国 DART 文件的可信数据源检索层，采用四条混合检索通道，并将 payload filters 下推到查询内部而非查询后过滤。在 FinanceBench 上达到 94.7% Recall @10，仅靠检索就带来 +0.160 的答案准确率提升，且答案模型保持不变。Lucy RAG 上的开源权重模型表现超过了搜索网页的前沿模型。
meng shao(@shao__meng)AI 评估 · 26/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 26/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 阿里「AI Native 研发范式实践手册」：企业知识库为何是最容易被忽略的 AI 基础设施
阿里「AI Native 研发范式实践手册」指出，企业级 AI 研发基础设施中最容易被忽略、也最容易自以为没问题的一环是企业知识库。多数企业只是把文档攒下来，存在目录混乱、部门规则不一、关键证据缺失、权限各异等问题，同一实时多篇文档难以确定以哪个为准。作者建议由公司牵头做知识整理、知识加工与知识供给，再输入 Agent 使用并反馈，形成闭环，并在质量、版本、权限、责任四方面持续治理。
meng shao(@shao__meng)AI 评估 · 45/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 45/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 斯坦福 CS 329Z《Engineering AI Agents》2026 秋季课程前三讲讲义公开
斯坦福 2026 秋季课程 CS 329Z: Engineering AI Agents 前三讲讲义已统一发布在课程官网，主题分别为 Intro to Agentic Systems、LLMs for Builders 和 RAG + Agents。
Jerry Liu(@jerryjliu0)AI 评估 · 57/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 57/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 LlamaIndex 发布 Extract v2.5 提取智能体，支持跨页表格与高级引用
LlamaIndex 发布 Extract v2.5，一组面向文档抽取的前沿智能体，覆盖 cost-effective、agentic、agentic plus 三档，强调取值准确率与溯源。
AI Engineer(@aiDotEngineer)AI 评估 · 13/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 13/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 你的智能体能读懂企业业务所依赖的文档吗？@jerryjliu0 谈解析、搜索与来源引用
Jerry Liu（@jerryjliu0）在 World's Fair 2026 的演讲中探讨智能体如何解析、搜索企业业务所依赖的文档并给出来源引用。相关录播已发布，配套活动将于 10 月 12 日至 14 日在纽约举行。
cohere(@cohere)AI 评估 · 12/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 12/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Cohere 10 月 8 日 X Live 网络研讨会：探讨 RCP-nDCG @10、Embed 5 与搜索检索的未来
Cohere 将于 10 月 8 日（周四）在 X Live 举办网络研讨会，由其搜索建模团队负责人主讲。议题包括 RCP-nDCG @10、Embed 5 以及搜索与检索的未来，报名链接已在 cohere.com 开放。
cohere(@cohere)AI 评估 · 23/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 23/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Cohere Embed 5 采用 RCP-nDCG @10 新评测方法
Cohere 的 Embed 5 成为首个使用 RCP-nDCG @10 评测的模型家族。这一最新评测方法改进了对真实检索质量的评估，因此 Embed 5 的基准分数看起来与以往不同。
Jerry Liu(@jerryjliu0)AI 评估 · 55/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 55/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 LlamaIndex 发布 Extract v2.5 文档抽取智能体
LlamaIndex 发布 Extract v2.5 系列文档抽取智能体，主推在长列表抽取任务上达到 93%-96% 以上准确率，而在同一基准上 astra 约为 30%。
Milvus(@milvusio)AI 评估 · 26/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 26/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Milvus 3.0 推出 StructArray Hybrid Search 演示，支持父子嵌套数据混合检索
Milvus 3.0 推出 StructArray Hybrid Search 演示，可在视频级别理解"路口"场景，同时在嵌套子记录中定位"白色卡车"等具体对象，并将两级信号合并为一个排序结果。StructArray 将父记录与其子元素保存在一起，嵌套元素内的向量仍可直接检索，减少数据建模复杂度并保留更多上下文。该模式适用于多模态数据集、含章节的文档以及带变体的商品等父子结构数据。
AI Engineer(@aiDotEngineer)AI 评估 · 15/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 15/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 turbopuffer CTO Nikhil Benesch 将在 AI Engineer New York 分享企业级安全检索
turbopuffer CTO Nikhil Benesch 将在 AI Engineer New York 发表演讲《Can Your AI Analyst Keep a Secret?》，主题是企业规模下的安全检索。演讲针对数百万文档且权限重叠、频繁变更的场景，活动时间为 10 月 12–14 日。
Perplexity(@perplexity_ai)AI 评估 · 20/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 20/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Perplexity 预览版模型在 ConTEB 平均 nDCG@10 居首，向量存储仅 1 KB
在 ConTEB 基准上，该预览版模型取得所测模型中最高的平均 nDCG@10，但并非每个任务都领先。它在 chunk retrieval 上超过 voyage-context-4，且每个向量仅占 1 KB（1024 维、int8），相比后者的 8 KB（2048 维、float32）存储占用降低 8 倍。
Perplexity(@perplexity_ai)AI 评估 · 32/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 32/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Perplexity 推出 pplx-embed-v2-context-9b-preview，上下文嵌入模型刷新 ConTEB 纪录
Perplexity 构建了新的上下文嵌入模型训练方法，让每个文档分块的编码都能看到完整文档。其 pplx-embed-v2-context-9b-preview 在 ConTEB 和 turbopuffer 新近私有的 context-bench 上均创下新的 SOTA。
Stack Overflow BlogAI 评估 · 28/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 28/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Stack Overflow 开放 Stack Internal 平台：用 AI 把企业知识变成"可决策知识"
Stack Overflow 宣布将 Stack Internal 平台开放给更多人和团队，把组织内部知识汇入共享层，并通过 chat、API 和 MCP 提供。该平台强调"决策级知识"的五个要素：来源可追溯、适用条件明确、权限受控、冲突可见、有人能裁决，人类专家负责验证和修正知识，AI 负责检索、比对来源并发现缺口。
Milvus(@milvusio)AI 评估 · 36/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 36/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Milvus 用 Jev 做检索结果判定：从向量召回到重排序的搜索模式
Milvus 先用向量检索和元数据过滤召回候选段落，再由 Jev 判断这些段落是否真正有助于任务，形成「查询 → Milvus 检索 → Jev 判定 → 应用执行」的流程。
cohere(@cohere)AI 评估 · 36/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 36/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Cohere 推出 Embed 5 Fast：高吞吐嵌入模型，RCP-nDCG @10 评测首发
Cohere 发布高吞吐、高速选项 Embed 5 Fast，在 fast-tier 模型中领先 6 分以上，成本比 Pro 低三分之一。Embed 5 也是首个采用 RCP-nDCG @10 检索评测方法评估的模型家族。
Vercel NewsAI 评估 · 21/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 21/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Voyage Rerank 3 与 Rerank 3 Lite 上线 AI Gateway
Voyage AI by MongoDB 的 Rerank 3 和 Rerank 3 Lite 已在 AI Gateway 上线，两款模型在把文档传给大语言模型之前按相关性重排搜索结果。
Weaviate • vector database(@weaviate_io)AI 评估 · 24/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 24/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Weaviate Query Agent 推出 medium / high / ultrahigh 三档 effort 参数
Weaviate 的 Query Agent Search Mode 新增 effort 参数，提供 medium、high、ultrahigh 三档，用于控制每次请求的检索投入程度。更高档位会在两处增加计算：查询编写阶段花更长时间拆解请求并转为结构化搜索，重排阶段对召回文档做更充分评估后再返回最终排序。官方建议按自身准确率、延迟和成本要求选择合适档位。
Qdrant(@qdrant_engine)AI 评估 · 16/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 16/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Qdrant Constella 仍处研究预览阶段，质量与时延权衡待探索
Qdrant 的 Constella 仍处于研究预览（research preview）阶段。团队表示，围绕质量与时延的权衡以及真实工作负载，还有大量内容值得进一步探索。
Qdrant(@qdrant_engine)AI 评估 · 15/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 15/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Constella 方案：用 Stella 生成文档向量写入 Qdrant，查询侧可换用 Stella / Nano / Zero
Constella 采用文档与查询分离的向量化路径：文档经 Stella 转成文档向量写入 Qdrant，查询侧则可换用 Stella、Nano 或 Zero 生成查询向量。该做法与常规同模型编码两侧的方式不同。
Qdrant(@qdrant_engine)AI 评估 · 15/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 15/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Qdrant 解析：更换嵌入模型为何通常需要重新嵌入全部文档
在 Qdrant 中，文档经嵌入模型转为向量存储，用户查询也需转成同一向量空间的向量才能比对。问题在于更换嵌入模型通常意味着必须重新嵌入已有文档。
Qdrant(@qdrant_engine)AI 评估 · 36/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 36/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Qdrant 推出 Constella 研究预览：无需重嵌文档即可更换查询嵌入模型
Qdrant 发布研究预览项目 Constella，目标是在不重新嵌入全部文档的前提下更换查询嵌入模型。该方案目前以 research preview 形式公开，具体参数、基准分数与可用性细节未披露。
QdrantAI 评估 · 58/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 58/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Qdrant 发布 Constella 研究预览：无需重新嵌入即可切换查询模型
Qdrant 发布 Constella 研究预览，这是一组围绕 400M 参数英文嵌入模型 Stella 构建的模型家族，文档向量由 Stella 编码，查询可由 Zero、Nano 或 Stella 本身编码，均搜索同一个 Qdrant 集合，因此查询编码器可按请求热插拔，无需重新嵌入。
Elastic BlogAI 评估 · 13/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 13/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Elastic Cloud Serverless 新增 Azure 美国中部（Iowa）区域，全球覆盖达 34 个区域
Elastic Cloud Serverless 于 9 月 29 日起在 Microsoft Azure 美国中部（Iowa）区域上线，Azure 区域增至 12 个，全球覆盖达 34 个区域。
Jerry Liu(@jerryjliu0)AI 评估 · 61/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 61/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 PageIndex 提出无需向量库的 RAG 方案，称在 FinanceBench 达 98.7%
研究团队提出名为 PageIndex 的 RAG 新方法，跳过向量数据库、数据嵌入、分块和相似度检索，改为构建树索引让 LLM 像人读书一样推理文档。引用称其在 FinanceBench 上取得 98.7%，超过榜单上所有向量 RAG，且免费开源。Jerry Liu 转发并感叹如果这套方法流行，自己四年前就做得太早了。
Stack Overflow BlogAI 评估 · 30/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 30/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 为什么模型版本管理不足以支撑生产级 AI
生产级 AI 应用仅靠模型版本无法保证可复现，检索、提示词、工具契约与推理服务配置都会独立改变行为。文章建议用版本化发布清单（含模型、提示词、索引、嵌入、运行时修订号）统一界定发布边界，并以覆盖端到端路径的评估门禁和经过演练的回滚路径作为 MLOps 起点。
Harrison Chase(@hwchase17)AI 评估 · 52/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 52/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Harrison Chase 转发实验：GPT Researcher 用 Jev 替换嵌入向量，相关上下文 73% 对 46%
Harrison Chase 转发 Assaf Elovic 的实验：在 GPT Researcher 的 RAG 管线中用 Jev 替换嵌入向量，并在 SimpleQA 的 28 个研究任务上对比测试。
LangChain BlogAI 评估 · 50/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 50/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 LangSmith 发布 Engine v2、Managed Deep Agents v0.8、Trajectories 与 Fine-Tuning 等更新
LangChain 在 Interrupt NYC 上发布 LangSmith 多项更新：Engine v2 加入 Red Teaming 主动排查问题、扩展问题类型识别，并可在人工审核前自动验证修复方案；Engine 自 5 月上线以来已分析超过 60M traces，诊断数万个问题。
Milvus(@milvusio)AI 评估 · 7/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 7/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Milvus 社区巴黎线下活动：Criteo、Gorgias 分享向量检索生产实践
Milvus 社区将于 10 月 7 日在 Criteo 巴黎办公室举办线下活动，主题是向量搜索在生产环境中的难点。
Jerry Liu(@jerryjliu0)AI 评估 · 23/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 23/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 LlamaParse 如何解决空白单元格导致的表格数据错位
LlamaIndex 指出，表格中的空白单元格会让 Agent 决策出错，许多文档 OCR 工具读取多个空白单元格时会把数值错移行列，导致下游数值解读错误。官方用 LlamaParse 解析美联储 2026 年 9 月预测表第 2 页，GDP 中位数摘录的九个数字与原始 PDF 全部一致，且在返回的 HTML 中保持对齐。该表因含 2029 年列而对比行留空，正是文档解析器的常见隐性失效点。
Qdrant(@qdrant_engine)AI 评估 · 34/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 34/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Qdrant 开源嵌入向量生成工具 Supernova 及 10B 数据集 Qdrant-FineWeb-10B
Qdrant 在 Hugging Face 上免费开源了嵌入向量生成工具 Supernova 和 10B 数据集 Qdrant-FineWeb-10B，可用于评估、测试和配置向量搜索基础设施。BetterStackHQ 还发布了讲解这些资源的高质量视频。
Elastic BlogAI 评估 · 32/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 32/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Elastic DevRel 9 月通讯：jina-ocr-v1 上线、Elastic CLI 技术预览
jina-ocr-v1 现已在 Elastic Inference Service 上线，单模型完成版式感知文档解析，支持表格、数学公式、手写体和 100+ 语言，总参数 3.4B、推理仅激活 570M，olmOCR-bench 得分 83.4、OmniDocBench 得分 91.14。
QdrantAI 评估 · 30/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 30/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 用 Rust 重写 cross-encoder 推理：cross-encode-rs 对比 Python 实测
Qdrant 用 Rust 重写 cross-encoder 推理并开源为 cross-encode-rs，在小型 reranking 模型上中位延迟仅比 Python 快 1.1x，较大模型上约 1.4x。
Perplexity(@perplexity_ai)AI 评估 · 16/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 16/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Perplexity Photon 如何将新索引构建与在线查询服务分离
Perplexity 的 Photon 将新索引构建与处理实时查询的服务器分离，版本就绪后逐个更新 serving group。每次更新会用真实搜索查询预热缓存并检查就绪状态，再将其重新纳入路由，其余 serving group 持续提供查询服务。
Qdrant(@qdrant_engine)AI 评估 · 20/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 20/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Qdrant 与 DeepLearning.AI 推出新课：用端侧记忆构建 AI 助手
Qdrant 与 DeepLearning.AI 合作推出新课程 Building AI Assistants with On-Device Memory，由 Qdrant 开发者关系负责人 Dylan Couzon 讲授。