LlamaIndex 发布 ExtractBench：文档抽取开始考核“出处”而非只考字段值
LlamaIndex 推出 ExtractBench，对文档抽取的“依据”严格打分：字段值与其引文都正确才算对，词级框需 IoU 0.5。VLMs 和编码智能体均未返回任何证据，两级得分均为零；能返回框的系统中词级 F1 仍不足 50%。
#RAG
#RAG
今日 6 条LlamaIndex 🦙(@llama_index)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。 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。
mem0(@mem0ai)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。 Mem0 架构深度解析：AI 智能体记忆如何运作
Alejandro AO 对 Mem0 架构做了完整拆解，涵盖持久化记忆存储、基于 LLM 的摄入、语义与 BM25 混合检索、实体加权以及本地开源模型等环节。内容按章节形式呈现，从智能体记忆的基本概念讲到具体检索实现。
Qdrant(@qdrant_engine)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。 Qdrant + Minima：单张 RTX PRO 6000 Blackwell GPU 上跑智能体 RAG
Qdrant 与 Minima 在单张 RTX PRO 6000 Blackwell GPU 上实现智能体 RAG，混合搜索与晚交互重排让首次检索即足够的比例从 72% 提升至 87%。中位延迟由 21.3s 降至 7.7s，每 GPU-小时成功任务数提升 2.92 倍。
Milvus(@milvusio)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。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。 Milvus 3.0 发布：向量检索内置 Query Aggregation、Search Aggregation 与 ORDER BY
Milvus 3.0 把商品搜索的结构化二次处理搬进检索引擎，新增 Query Aggregation、Search Aggregation 和 Server-side ORDER BY 三项能力。
LlamaIndex 🦙(@llama_index)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。 LlamaIndex 限时活动：升级 LlamaParse Pro 首月 credits 三倍至 1.2M
LlamaIndex 推出限时活动，升级至 LlamaParse Pro 计划可将首月 credits 提升三倍，从 400K 增至 1.2M，相当于价值 $1,000（约 80k 页）的解析额度免费使用。该优惠无需代码，自动生效。
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%。
Milvus(@milvusio)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。 Milvus 3.0 将分组统计与排序下推到检索引擎
Milvus 3.0 把品牌分组、统计指标和排序等后处理工作移入检索引擎。Query Aggregation 在过滤后的可见行上返回精确分组统计，Search Aggregation 在 ANN 候选集上返回桶、指标和代表性命中，服务端 ORDER BY 让结果在到达应用前完成排序。此前应用需自行按品牌分组、计算计数与均值并挑选代表项，逐页排序也无法得到全局价格有序结果。
mem0(@mem0ai)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。 mem0 拆解 AI 记忆失败：问题常出在管线而非模型本身
mem0 指出，多数被归咎于"模型"的失败实际发生在记忆管线各环节：抽取漏掉事实、系统存入临时噪声、更新逻辑未能解决冲突、检索拉取错误记忆。该帖未给出具体模型或版本，也未提供 benchmark 数据。
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。
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。 Bayer 如何用 Qdrant 构建企业级搜索引擎
Bayer 用 Qdrant 构建企业级搜索引擎，支撑内部生成式 AI 平台 myGenAssist 每月处理超 150 万条消息、已接入逾 45 万份上传文档，覆盖 11.6 万名员工。
QdrantAI 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 与 Minima 联手，每 GPU-小时 agentic RAG 任务量提升至 2.92 倍
Minima 基于 Qdrant 混合检索与 Qwen3.6-27B 构建有界检索智能体，在单张 96 GB NVIDIA RTX PRO 6000 Blackwell GPU 上实现 3,750 任务/GPU-小时，而稠密检索加 BF16 推理仅 1,350，提升 2.92 倍。
Milvus(@milvusio)AI 评估 · 29/100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 · 29/100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 Snapshot：集合的命名只读时间点版本
Milvus Snapshot 是集合的一个命名只读时间点版本，记录对象存储中已有数据和索引文件的引用，而非复制数据集，适合在模型升级或数据回填前使用。
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。
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 Snapshots：为 embedding 模型升级与数据回填提供轻量恢复点
Milvus 推出 Snapshots，通过记录集合现有的数据、索引和元数据文件来创建时间点只读视图，不复制向量数据。若变更出错，可将快照恢复到新集合，无需完整重新导入、无需重建索引，也不会覆盖生产环境，让每次高风险变更前都能负担得起一个恢复点。
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。
土猛的员外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。 企业 AI 落地需要的不是知识库，而是一台"知识引擎"
企业 AI 落地的竞争焦点正从模型能力转向企业上下文，真正需要的是能持续接入、加工、治理、调用知识的知识引擎，而非只存文件的传统知识库。文章给出八个自查问题，并拆解知识引擎的五项核心能力：知识接入、知识工程、知识治理、知识应用与反馈优化。文中指出，RAG 只是知识应用链路中的一个技术环节，Agent 时代对可信、可追溯、带权限的企业上下文需求更强。
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 集合如何清理：去重、混合检索与新鲜度过滤实战
在 Qdrant 集合中，重复点占据 top-5 结果槽位会拖垮回答质量：把 8,416 个独立点重复写入至 22,946 个点后，37 个测试问题中有 36 个 top-5 含重复，去重后降至 2 个，回答正确率从 0.57 升到 0.76。
Latent.Space(@latentspacepod)AI 评估 · 56/100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 · 56/100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。 EngramLab 联合创始人谈法律智能体面对的非检索型难题
Latent.Space 转述 EngramLab 联合创始人 @dan_biderman 对法律智能体难题的说明。客户涉及融资、并购和贷款等业务，智能体常会遇到难以用 RAG 直接检索的模糊问题，例如追问今年有哪些并购交易尚未完成，这类问题需要逐份客户事项文件通读才能判断，无法在某个位置直接读到未完成的标注。
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。
Milvus(@milvusio)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。 Milvus 3.0 改变检索架构的部分假设
Milvus 3.0 引入 lake-native External Collections，并支持分组、分面、排序、过滤和聚合等更丰富的检索能力，让 Milvus 可直接处理数据所在位置的数据。这使应用对检索的控制不再局限于语义相似度，但也带来嵌入向量存放位置、混合搜索调优、过滤对召回与延迟权衡等问题，Milvus 为此开设 Office Hours，提供 20 分钟 1:1 专家咨询。
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%。
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。 Milvus 3.0 让检索架构更有意思：向量不再孤立存在
Milvus 3.0 引入 lake-native External Collection 以及 grouping、faceting、sorting、aggregation 等结构化查询，让向量数据库更贴近团队已有的数据系统。
Milvus(@milvusio)AI 评估 · 38/100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 · 38/100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 推出在线 schema 演进与回填，集合无需下线即可改数据模型
Milvus 3.0 支持在线 schema 演进与回填，团队可在集合持续服务流量时增删字段，无需停机重建或安排迁移窗口。新增字段只创建可空列、不重写既有数据，删除字段则在运行时更新集合元数据，两项操作都只更新 collection manifest。回填方面，Milvus 3.0 支持内联回填，可直接从文本字段生成 BM25 稀疏向量，外部回填（如用 Spark 计算新列值再写回）已在路线图中。
Weaviate • vector database(@weaviate_io)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。 Weaviate Query Agent 新增 Suggest Queries 模式，可自动生成建议提问
Weaviate 为其 Query Agent 新增 Suggest Queries 模式，能在用户提问前自动生成建议查询，解决 AI 聊天界面在首条消息发送前就失败的问题。该模式支持两种场景：开启对话时推荐相关问题帮助用户发现数据的可能性，对话进行中则基于当前上下文推荐自然的后续追问。
QdrantAI 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。 Qdrant 1.19 发布：TurboQuant 数据类型与内存分层
Qdrant 1.19.0 发布，新增 Turbo4 数据类型，仅保留 4-bit TurboQuant 压缩表示、不保存全精度副本，存储相比 36 bits/坐标降至 4 bits，减少九倍。
LlamaIndex 🦙(@llama_index)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。 LlamaParse 新增 enrich 表单解析：W-2 直接输出结构化 JSON
LlamaIndex 的 LlamaParse 新增 `processing_options.forms='enrich'` 选项，在返回标准 markdown 的同时，直接输出带字段名、字段值和复选框状态的专用 JSON，无需定义 schema 或发起第二次 API 调用。该功能已在所有付费计划中以 beta 形式提供。
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 3.0 发布：面向演进式 AI 数据的稳定快照与批处理
Milvus 3.0 推出 Collection Snapshot 和 Spark connector，为持续变化的 AI 数据提供一致的只读视图与分布式批处理能力。
QdrantAI 评估 · 47/100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 · 47/100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。 RAG 已死？长上下文窗口为何取代不了 RAG
Qdrant 文章指出 RAG 并未因长上下文窗口而失效：文档小于 200,000 token 时可直接放进提示词，但 2026 年一项制造业安全培训案例中，长上下文问答准确率 73.1% 高于语义 RAG 的 65.4%，单次查询 token 成本却高 26 倍。
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。
Milvus(@milvusio)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。 Milvus 3.0 推出低成本时间点只读快照，解决 AI 生产数据与离线计算冲突
Milvus 3.0 引入低成本、时间点、只读的集合快照，解决持续变化的生产数据与稳定离线计算之间的冲突。快照通过引用已有数据、索引和元数据文件而非复制全量数据集来降低开销，支持 A/B 评测、去重、回填验证和离线测试等隔离批处理流程，并通过对象存储服务端复制加速数据恢复与克隆。
mem0(@mem0ai)AI 评估 · 38/100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 · 38/100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。 mem0 将向量搜索延迟降低 70 倍：从 8–14 秒降至约 110–120 ms
mem0 把向量搜索延迟降低 70 倍，从 8–14 秒降到约 110–120 ms，关键在于将向量搜索迁移到 turbopuffer，让 Postgres 专注其擅长的事。这一改动面向构建 AI 智能体记忆基础设施的开发者。
Jina AI(@JinaAI_)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。 Jina AI v3.5 重排序模型发布
Jina AI 发布 v3.5 重排序模型（reranker），同步公开博客、arXiv 论文（2607.18152）及 HuggingFace 模型页。
LlamaIndex 🦙(@llama_index)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。 LlamaIndex LiteParse 可直接提取 PDF 结构化数据，无需视觉模型
LlamaIndex 的 LiteParse 现已能直接从 PDF 中提取结构化数据，包括表单字段值、复选框状态、注释、嵌入图片、矢量图形、标记文档结构和词级边界框，每页耗时毫秒级。对于确需模型处理的页面，新增的复杂度信号（扫描页、多栏文本、有无框线表格、密集图形）可说明原因，帮助用户将解析路由到 LlamaParse 等更合适的工具。
土猛的员外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。 企业Agent好不好用，关键不是模型，而是上下文
企业Agent的有效性被拆解为大模型能力、企业上下文、工具能力与治理评测四者相乘，其中企业上下文被视为最难被复制、也最可能拉开差距的差异。企业上下文分为规则、事实、经验、任务、组织与用户五类，需按任务动态装配最小充分上下文，而非把文件一股脑塞给模型。作者认为，企业Agent的竞争最终是知识管理、流程与组织治理能力的竞争。
Milvus(@milvusio)AI 评估 · 60/100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 · 60/100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 发布，迈向湖仓原生的向量检索
Milvus 3.0 正式发布，官方称其是迈向 lake-native 向量检索的一大步。External Collections 让团队直接在对象存储以及 Parquet。
LlamaIndex 🦙(@llama_index)AI 评估 · 49/100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 · 49/100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 推出 Parse Gateway：按页复杂度智能路由 PDF 解析
LlamaIndex 发布 Parse Gateway，借助 LiteParse 的 is_complex 功能逐页评估 PDF 复杂度，按复杂原因（扫描件、稀疏文本、乱码编码、矢量文本、嵌入图像）及严重程度将页面路由到对应解析层级。
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。
QdrantAI 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。 Qdrant 推出 FastEmbed：高效 Python 嵌入向量生成库
Qdrant 发布 FastEmbed，一个专注文本嵌入向量生成的 Python 库，默认加载 BAAI/bge-small-en-v1.5 模型，输出 384 维向量，最大上下文 512 tokens。