RAG systems
PulseAugur coverage of RAG systems — every cluster mentioning RAG systems across labs, papers, and developer communities, ranked by signal.
-
新的RAG方法通过位置码解决冗余块问题
研究人员开发了一种名为自条件位置HNSW（SCP-HNSW）的新方法，通过解决重叠文档块产生的冗余信息问题来改进RAG系统的检索。该技术将位置码附加到嵌入中，并使用双通道查询来选择相关块，从而优化提示使用。该论文还包括对工业审查证据质量的审计，分析文本证据和OCR性能，以指导未来的RAG开发。
-
新框架提升LLM在监管合规问答中的准确性
研究人员推出RefWalk，一个旨在提高大型语言模型（LLM）在监管合规问答中准确性和可追溯性的新框架。该框架通过基于国家研发法规的基准RegOps-Bench，对任务进行了形式化，从而解决了现有检索增强生成（RAG）系统的局限性。RefWalk增强了跨文档引用遍历、候选融合和每条规则归因，在检索召回率和引用准确性方面取得了显著改进，尤其是在处理复杂、多层次的监管结构时。
-
软件行业到2026年要求具备Agentic AI技能
软件行业正转向Agentic AI，对具备AI Agent、RAG系统、提示工程和AI编排技能的开发人员的需求日益增长。到2026年，未来的开发人员可能会更专注于构建智能AI生态系统，而不仅仅是传统应用程序。这一演变表明软件工程师所需的技能集将发生重大变化。
-
LLM 处理 Markdown 优于原始 HTML，减少令牌浪费
一篇近期文章强调，直接将原始 HTML 输入大型语言模型 (LLM) 会导致上下文窗口嘈杂和令牌使用效率低下。作者认为，LLM 对清晰的 Markdown 的理解远优于 HTML，因为 HTML 通常包含导航菜单、广告和样式包装器等无关元素。在摄取之前将 HTML 转换为 Markdown 可以大大减少令牌数量，改善语义分块，并提高 RAG 系统和 AI 代理的整体准确性和一致性。
-
VectorSmuggle 攻击隐藏数据于 AI 嵌入中；VectorPin 提供防御
研究人员发现了一种名为 VectorSmuggle 的新型隐写攻击向量，它允许攻击者将数据隐藏在用于 RAG 系统的向量数据库中存储的嵌入中。该方法利用了许多向量存储缺乏原生完整性控制的漏洞，使攻击者能够在保持检索功能的同时，通过简单的扰动嵌入敏感信息。为应对此问题，研究人员提出了 VectorPin，一种加密溯源协议，它使用数字签名来验证嵌入的完整性和来源，从而堵塞了此攻击向量。
-
AI智能体利用基础模型执行多样化任务，重点关注工具和规划
Chip Huyen 的最新博文改编自她的著作《AI Engineering》，探讨了智能体的概念，将其定义为能够感知并作用于环境的实体。这些智能体利用基础模型的先进能力，并通过工具进行增强以执行复杂任务。博文还深入探讨了智能体规划、工具选择以及评估其性能和潜在故障模式的方法。