Weaviate 1.38 新增 Boost API：硬过滤太严时在查询时重新打分
Weaviate 1.38 新增 Boost API，在主检索之后对结果重新排序打散。它支持 filter 条件、数值属性、时间衰减和目标值附近的数值衰减，最多可混合 20 个条件，还能调整权重或用负权重降权而不排除结果；设置 depth 参数可控制候选文档规模。
#搜索
#搜索
今日 6 条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。 Firecrawl(@firecrawl_dev)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。 Firecrawl 开源 DevDex：衡量编码智能体搜索工具可靠性的 benchmark
Firecrawl 开源 DevDex，一个用于评估搜索工具能否可靠找到编码智能体所需信息的 benchmark。该基准针对编码智能体高度依赖搜索工具获取答案的场景，衡量各工具找到正确来源的可靠性。
Milvus(@milvusio)AI 评估 · 31/100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 · 31/100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 StructArray：让一个实体存多个向量
Milvus 3.0 推出 StructArray，允许在一个父实体下用 ARRAY 字段存放视频片段、商品图片、文档段落等元素，每个元素带独立向量和 metadata。
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。 HuggingFace 12 万条查询基准覆盖稠密、稀疏与过滤检索
HuggingFace 的检索基准包含 120,000 条查询，覆盖稠密、稀疏和过滤搜索三类场景。该基准用精确答案衡量深度检索与过滤效果，而非在合成语料上测 90% recall @10。
Richard Socher(@RichardSocher)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。 Braintrust 评测：加入搜索后模型差距从 47.9 分缩小到 5.6 分
Braintrust 评测了 1329 道时事问题，覆盖 4 个模型和 14 种条件，对比 You.com、模型自带搜索和无搜索三种配置。结果显示搜索把模型间差距从 47.9 分缩小到 5.6 分，检索增益随事件变旧从约 45 分降到约 24 分，而 5 次以上搜索的运行得分仅 19%–49%。Richard Socher 转评称更好的搜索让模型之间的差异变得小得多。
Firecrawl(@firecrawl_dev)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。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。 Firecrawl 推出免费免 API key 的搜索与抓取
Firecrawl 上线免费免 API key 模式，AI 智能体可不注册直接搜索和抓取网页。官方称搜索准确率在 simpleqa 上达 94.7%，抓取可在 3 秒内把任意页面转为干净的 markdown，并提供 npx -y firecrawl-cli @latest init --all --browser 命令行入口。
Milvus(@milvusio)AI 评估 · 22/100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 · 22/100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。 Cốc Cốc 用 Milvus 支撑越南全国规模 AI 搜索，生产环境 7 亿向量
越南本土搜索引擎与浏览器 Cốc Cốc 采用 Milvus 作为自托管检索底座，支撑其搜索、广告、推荐、定向与内部 RAG 共 5 个生产系统。其生产环境已部署 7 亿向量，规划容量约 15 亿，峰值流量下语义搜索 P90 延迟为 19.8 ms。此前 FAISS 与 USearch 无法跨机分布数亿向量或支持持续生产更新。
ollama(@ollama)AI 评估 · 22/100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 · 22/100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。 Ollama 内置网页搜索功能，支持用开源模型执行研究任务
Ollama 已内置网页搜索，用户可用开源模型执行研究任务，原有功能继续保持可用。该功能通过 ollama.com/blog/claude-de… 公布，官方称常见使用方式不受影响。
Elastic BlogAI 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。 Elastic{ON} 首次登陆孟买：Elastic 展示智能体 AI 的上下文引擎
Elastic{ON} 将于 2026 年 9 月 30 日首次在孟买举办，地点为 JW Marriott Mumbai Sahar，聚焦搜索、全栈可观测性与安全。Elastic 将展示 Elasticsearch Platform 如何作为智能体 AI 的上下文引擎，结合语义搜索与上下文工程，让 AI 在搜索、安全、可观测性场景中可审计、可落地。议程含主题演讲与产品更新、全栈可观测性深度专场。
QdrantAI 评估 · 54/100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 · 54/100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 发布向量检索调参指南：在五个公开数据集上实测七类设置
Qdrant 发布五篇系列文章，介绍如何不靠猜测地调优向量检索，实测覆盖 5,183 到 460 万文档的五个公开数据集。文章指出七个集合设置会悄悄限制搜索质量，例如稀疏向量缺少 IDF 修饰符、BM25 平均长度用默认值；在其实测中，25 条标注查询不足以区分融合调优带来的增益。
QdrantAI 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。 如何调优 Qdrant 混合检索：RRF 与 DBSF 融合策略实测
Qdrant 在五个数据集上对比了默认 RRF（k=2）与 DBSF 两种融合策略，其中四个数据集上融合优于单一最优检索，DBPedia-entity 是例外，融合反而落后稠密检索 0.0039。
Firecrawl(@firecrawl_dev)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。 Firecrawl 开源 benchmark：可自行运行，半数查询用于公开
Firecrawl 将其 benchmark 开源在 github.com/firecrawl/bench，用户可自行运行，并欢迎申请加入评测名单。该 benchmark 只发布一半查询，另一半留作留出集，以防有人在测试集上训练。
Firecrawl(@firecrawl_dev)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。 Firecrawl 推出 Developer Index，为编程智能体提供 7000 万+ 源索引
Firecrawl 发布 Developer Index，这是一个专为编程智能体打造的索引，可检索 7000 万+ 一手来源，覆盖代码仓库、文档和 issue，官方称其召回率为所有编程类索引中最高。该索引旨在让智能体每次都能交付正确、最新的代码。
Milvus(@milvusio)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。 Milvus 3.0 用原生 BM25 与向量检索实现更快更强的全文搜索
Milvus 3.0 将全文搜索与语义检索合并进同一个引擎，可在单次查询中同时使用原生 BM25 与向量检索。Zilliz EMEA 解决方案架构师 Simon Hearne 在线上分享中演示了混合检索、分组、schema 灵活性与搜索效率等能力，并与 Elasticsearch 在相同数据集、嵌入向量、分析器和计算资源下做了对比。团队可在单一引擎内完成关键词搜索、语义检索、过滤、分组与排序。
QdrantAI 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。 调优 Qdrant 集合前需要检查什么
调优 Qdrant 集合前应先确认前置状态：用 GET /collections/{collection_name} 比对 indexed_vectors_count 与 points_count，未建索引的向量走精确扫描，结果有效但延迟更高，且 hnsw_ef 在索引建立前不起作用。
Dia(@diabrowser)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。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。 Dia 再放 1000 个候补名额，开放 Windows 版早期访问
Dia 从候补名单中再放出 1000 个名额，用户可通过表单申请加入，获得 Windows 版 Dia 浏览器的早期访问权限。
Milvus(@milvusio)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。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。 Milvus 3.0 新增 Search Aggregation，按 doc_id 等维度聚合 ANN 候选结果
Milvus 3.0 新增 Search Aggregation，把保留的 ANN 候选按 doc_id、租户、产品线或内容类型分桶，返回桶计数、指标与代表性命中，用于判断 RAG 检索结果是集中还是分散。
Qdrant(@qdrant_engine)AI 评估 · 31/100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 · 31/100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。 ACORN 与 Qdrant filterable HNSW 过滤搜索对比：1M 向量 1% 过滤下 99.8% vs 67.7% 召回
Qdrant 对比了 ACORN 与 filterable HNSW 两种过滤搜索方案：过滤器会把 HNSW 图切成不连通的孤岛，ACORN 在查询时绕过被过滤的邻居，filterable HNSW 则在索引中为共享 payload 值的点补边以保持图连通。
Weaviate • vector database(@weaviate_io)AI 评估 · 22/100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 · 22/100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 更新：检索前先理解数据，自动识别过滤值与数值分布
Weaviate 的 Query Agent 迎来更新，在检索前会先探索数据集合，自动识别可用于过滤的全部取值，以及数值属性的均值、中位数、最小值和最大值。这意味着用户无需手动描述数据结构或硬编码过滤选项，可以直接提出"显示价格低于平均水平的产品""按最常见的类别过滤"这类请求。官方称该更新带来更智能的过滤和更好的搜索质量。
Firecrawl(@firecrawl_dev)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。 Firecrawl 为 Claude 推出官方连接器，SimpleQA 得分 94.7%
Firecrawl 发布面向 Claude 的官方连接器，为 AI 智能体加入网络搜索能力，在 SimpleQA 上得分 94.7%。该连接器由其实时索引驱动，覆盖研究场景与开放网络，可提供更新鲜的结果，目前已在 Anthropic 连接器目录上线。
Milvus(@milvusio)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。 Milvus 3.0 全文检索网络研讨会：与 Elasticsearch 对比实测
Zilliz 解决方案架构师 Simon Hearne 将于 8 月 19 日 11:00 AM PDT 主讲 Milvus 3.0 全文检索网络研讨会，演示与 Elasticsearch 的实时并排查询对比。内容涵盖 Milvus 3.0 的 BM25 与稀疏检索、过滤排序聚合与分面搜索、混合检索及 RRF 排序方法，并给出生产环境示例。无法实时参加者可注册获取回放与演示。
Jina AIAI 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。 腾讯云与 Elastic 深圳 AI 搜索技术大会：Elastic AI 副总裁肖涵讲《2026 年做搜索就是在做 Test Time Compute》
腾讯云与 Elastic 将于 8 月 21 日在深圳腾讯滨海大厦举办 AI 搜索技术大会，Elastic AI 副总裁肖涵将分享《2026 年做搜索就是在做 Test Time Compute》，同场腾讯云 Elasticsearch Service 企业版发布，Elastic 王峰博士分享 jina-reranker-v3.5。
Qdrant(@qdrant_engine)AI 评估 · 27/100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 · 27/100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。 拜耳如何在 Qdrant Hybrid Cloud 上为 116,000 名员工构建企业搜索引擎
拜耳（Bayer）在 Qdrant Hybrid Cloud 上为 116,000 名员工构建企业搜索引擎，4 个节点承载 3500 万向量点，已生产运行三年。该系统采用混合搜索支撑深度智能体，并用语义缓存控制智能体成本，实测效率提升 20%。
Firecrawl(@firecrawl_dev)AI 评估 · 44/100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 · 44/100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。 Firecrawl Research Index 新增 4100 万+ 生命科学论文，AI 智能体可检索
Firecrawl 为 Firecrawl Research Index 新增 4100 万+ 篇生命科学论文，覆盖药物发现、临床试验和生物学文献，AI 智能体现可通过 /search/research API 检索，recall @10 达 90%。内容全部来自权威来源且 100% 免费。
Weaviate • vector database(@weaviate_io)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。 创意工作流为何随项目增长越来越难搜索？Weaviate 解析检索新思路
Weaviate 在 Building Foundry 第二期中探讨创意工作流随项目增长而检索变难的原因：文件夹结构沦为历史记录，交付压力下标签难以维护，关键词搜索因描述不一致而失效。文章认为检索需结合语义相似度、精确关键词匹配与元数据过滤，而非依赖单一命名体系。
Weaviate • vector database(@weaviate_io)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。 Weaviate Query Agent Search Mode 新增 filtering 参数，可配置召回与精度权衡
Weaviate Query Agent 的 Search Mode 新增加 filtering 参数，让召回率与精度的权衡可配置。默认的 "recall" 会生成多条跨不同过滤条件与解读的查询，适合更看重拿到相关结果的场景；"precision" 则只生成一条针对最可能解读的查询，适合要求每条结果都贴合原始意图的场景。
Firecrawl(@firecrawl_dev)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。 Firecrawl 成为 opencode 的无密钥网页搜索选项，SimpleQA 准确率 94.7%
Firecrawl 现已作为无密钥网页搜索选项接入 opencode，设为搜索提供商后 AI 智能体即可获取实时结果，无需 API key 或注册。官方称其在 SimpleQA 上达到 94.7% 的准确率。用户更新 opencode2、选择 Firecrawl 即可开始搜索。
Weaviate • vector database(@weaviate_io)AI 评估 · 31/100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 · 31/100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 Search Mode 推出 effort 参数，可控制测试时计算量与输出质量的权衡
Weaviate 为 Search Mode 引入 effort 参数，用户可在 "medium"、"high" 和 "ultrahigh" 三档间调节测试时计算量的投入。官方称 ultrahigh 档在 BRIGHT benchmark 的 5 个子集上平均取得 X nDCG @10，较 medium 档提升 Y，较纯混合搜索提升 Z。该参数用于让开发者按应用需求权衡额外计算成本与检索质量。
Milvus(@milvusio)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。 Milvus 3.0 扩展检索引擎能力，支持引擎内排序、聚合、多向量与稀疏检索
Milvus 3.0 将排序、分组与结果处理更多地下沉到检索路径中。ORDER BY 可按标量字段对过滤结果和 ANN 候选排序，查询侧聚合支持 count、sum、avg、min、max 并按标量字段分组，搜索聚合提供分面检索与每桶 top-N 样本；分面计数基于 ANN 结果，属近似值。
Milvus(@milvusio)AI 评估 · 27/100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 · 27/100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 分享：AI 智能体答错时，该先查向量检索而非模型
Milvus 指出 AI 智能体答错时问题常出在检索层——系统取错上下文、漏掉正确内容或在 LLM 看到前就过滤掉了。Simon Hearne 的分享用可视化方式讲解向量搜索，覆盖暴力搜索、IVF、HNSW、DiskANN 的取舍，量化对速度与存储的影响，以及过滤器可能切断最佳匹配路径。他建议直接用 recall@k、分数分布和过滤命中率调试检索，把索引和嵌入向量的改动当作质量改动。
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。 Qdrant 为何既不做前置过滤也不做后置过滤：把过滤放进向量搜索内部
Qdrant 不采用前置过滤或后置过滤，而是让过滤在 HNSW 图遍历过程中原地执行，并由查询规划器按每次查询在可过滤 HNSW、开启 ACORN、直接走 payload 索引和全量扫描四条路径中选择。文中基准显示，宽值过滤会把召回率降到 90.8%，两个宽值的 AND 过滤降到 39.7%，而其他过滤形态均高于 97%；这两种失效形态在开启 ACORN 后恢复到 100%。
QdrantAI 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。 Qdrant 解析 ACORN 修复了过滤向量搜索的哪些问题，以及 ACORN 自身如何被修复
Qdrant 在百万点 deep-image-96 基准上测试了四种过滤向量搜索策略：普通 HNSW 在 1% 选择性过滤下 Recall@10 仅 0.1%。
Elastic BlogAI 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。 Elastic 9.5 正式发布：列式存储、VectorDB 索引模式与 AI 告警分诊
Elastic 9.5 正式 GA，为 Elasticsearch 引入列式存储 Columnar Mode 技术预览、开箱即用的 VectorDB 索引模式与自动校准，并原生支持 Prometheus 和 PromQL。
Jina AI(@JinaAI_)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。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。 Jina AI 发布 jina-reranker-v3.5：0.6B 列表式重排序模型，BEIR nDCG@10 达 63.20
Jina AI 发布 jina-reranker-v3.5，这是一个 0.6B 的列表式重排序模型，改进了 v3 的交互方式，速度更快，并针对企业搜索数据做了优化。它在 BEIR 上取得 63.20 nDCG@10，以约 7 倍更少的参数超过 Qwen3-Reranker-4B。
Weaviate • vector database(@weaviate_io)AI 评估 · 17/100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 · 17/100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 的 Building Foundry 第一集：创意资产为何总被重复制作
Weaviate 启动 Building Foundry 系列，第一集聚焦创意工作流中的检索难题：项目变大后文件名和文件夹结构越来越不可靠，设计师记得氛围却记不住文件名。文章提出用语义搜索按含义而非精确词匹配素材，并让元数据、嵌入向量与向量搜索协同工作，最终将用 Weaviate 做成创意搜索原型。
xAI(@xai)AI 评估 · 27/100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 · 27/100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。 在 Grok Build 中安装 Exa 插件，实现智能体网络搜索
Grok Build 现已支持官方接入 Exa 网络搜索，用户可安装 Exa 插件为智能体提供网络搜索能力。Exa 主打面向智能体构建的最快、最准确的网络搜索。
QdrantAI 评估 · 46/100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 · 46/100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。 在 Qdrant 上构建电商搜索的经验教训
Qdrant 用 580 万条真实 Amazon 服饰商品搭建了 Qdrant Shopping 演示店铺，每次文本搜索都是对 Query API 的单次请求，约 40 毫秒返回排序货架，代码已开源于 GitHub。
xAI(@xai)AI 评估 · 35/100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 · 35/100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。 Grok Build 上线 Tavily 插件，为 LLM 驱动搜索提供支持
Grok Build 现已支持 Tavily 插件，用于 LLM 驱动的搜索。该插件面向构建流程中的搜索能力，官方以「Try」邀请用户试用。
Firecrawl(@firecrawl_dev)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。 Firecrawl 用新自研模型为智能体提取网页最相关上下文
Firecrawl 上线了一个新的自研模型，用于从每条抓取结果中提取最相关的上下文。该模型会针对用户查询为每个段落、列表和表格打分，让智能体直接拿到关键摘录，无需消耗 token 处理充满噪声的页面。
Firecrawl(@firecrawl_dev)AI 评估 · 59/100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 · 59/100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。 Firecrawl 推出最精准 /search，训练模型返回最佳答案片段
Firecrawl 推出其最精准的 /search 功能，训练了一个模型来返回最能回答查询的摘录，为智能体提供每条结果中高度相关的上下文。该功能在 SimpleQA 上达到 SOTA，且相比处理完整页面使用的 token 减少 10 倍，目前已默认免费开启。