retrieval-augmented generation
PulseAugur coverage of retrieval-augmented generation — every cluster mentioning retrieval-augmented generation across labs, papers, and developer communities, ranked by signal.
- instance of Royal Galician Academy 90%
- used by LLM 90%
- used by large-language models 90%
- used by LLMs 90%
- instance of Graphrag 90%
- instance of HotpotQA 90%
- instance of Apium graveolens 90%
- instance of GraphRAG with Knowledge Graphs for Question Answering on Administrative Meeting Records 90%
- uses TigerGraph 90%
- used by large language model 90%
- instance of 2WikiMultiHopQA 90%
- used by Pinecone 90%
- 2026-05-20 research_milestone A developer built a safety-first RAG agent for support tickets, ranking highly in a hackathon. 来源
- 2026-05-10 research_milestone A study empirically analyzed byte-exact deduplication in RAG systems, demonstrating significant context reduction without quality loss. 来源
- 2026-05-10 research_milestone A study assessed RAG and fine-tuning for industrial question-answering applications, finding RAG to be more cost-effective. 来源
- 2026-05-10 research_milestone A study assessed RAG and fine-tuning for industrial question-answering applications, finding RAG to be more cost-effective. 来源
18 天有情绪数据
-
构建生产级 RAG 技术栈：挑战与组件
本文详细介绍了构建生产级检索增强生成（RAG）技术栈的实际挑战和组件。文章重点指出了 RAG 系统中常见的故障点，例如解析、分块、元数据管理和评估等方面的问题。文章强调需要采用强大的工程实践来克服这些障碍，并确保 RAG 的有效实施。
-
AI系统需要三种数据库：向量、图和关系型
生产级AI系统，特别是那些使用检索增强生成（RAG）的系统，当单一数据库被迫处理多样化的数据类型和功能时，常常会失败。向量数据库在语义搜索方面表现出色，但缺乏强大的事务保证，并且在更新方面存在困难，导致“漂移”，即过时信息被当作事实呈现。图数据库在结构化关系方面很有效，但对于批量文本检索效率低下，而关系型数据库提供可靠性，但缺乏语义搜索能力。作者提倡采用多数据库架构，利用每种数据库类型的特定优势来构建更具韧性和准确性的AI系统。
-
企业 RAG 系统已准备好投入生产，具备访问控制和引用功能
本文详细介绍了企业检索增强生成（RAG）系统的当前状态和未来需求。文章概述了一个功能齐全的 RAG 系统，该系统能够进行本地部署，并具备基于角色的访问控制、引用支持的答案以及强大的评估指标等功能。作者还讨论了将该系统过渡到生产环境所需的步骤，强调了基于身份的角色派生以及超越简单词汇搜索的增强检索方法的必要性。
-
RAG 带来大部分收益；额外上下文损害小型 LLM
一项实验探索了在检索增强生成 (RAG) 流程中添加四个上下文工程层的效果。对于 Claude Sonnet，这带来了 12% 的性能提升，其中 RAG 贡献了 88% 的增益。然而，Claude Haiku 的性能下降了 14%，这表明小型模型可能难以处理过多的上下文，导致准确性和诚实度下降，因为额外的指令与检索到的事实竞争注意力。
-
向量 RAG 与图 RAG：选择正确的 LLM 知识检索方法
本文比较了两种用于大型语言模型的检索增强生成 (RAG) 的主要方法：向量 RAG 和图 RAG。向量 RAG 使用存储在向量数据库中的文本块的相似性检索，具有简单和快速的优点。相反，图 RAG 将知识建模为节点和关系，能够基于结构化上下文和多跳推理进行检索。两者之间的选择取决于查询的复杂性以及关系与语义相似性的重要性。
-
论文质疑LLM中下一个词元预测的有效性
一篇新发表在arXiv上的论文探讨了语言模型中下一个词元预测的局限性。文章认为，当前在观察到的序列上训练的模型未能完全捕捉语言生成的条件定律，因为它们忽略了非文本的因素，如意图和上下文。研究表明，为了使下一个词元预测真正有用，观察到的文本必须是这些潜在因素的充分统计量，而异构训练语料库常常不满足这一条件。
-
RADAR 框架增强 RAG 系统以抵御检索腐败
研究人员推出 RADAR，一个旨在保护检索增强生成 (RAG) 系统免受动态网络搜索环境中检索腐败影响的新框架。与静态防御不同，RADAR 将可靠上下文选择构建为基于图的能量最小化问题，并使用最大流最小割算法解决，从而应对时间波动和不断演变的威胁。该系统包含一个贝叶斯记忆节点，用于递归更新信念，而不是存储原始历史数据，从而在抵御攻击的鲁棒性与适应知识变化之间取得平衡。
-
AssemblyAI launches voice agent API; developer details RAG for support AI
AssemblyAI has released a tutorial for building an AI voice agent capable of handling customer support tasks like order lookups and account verification. The agent utilizes AssemblyAI's Voice Agent API, which integrates…
-
微调 vs. RAG：LLM应用开发的框架
构建LLM应用需要选择微调（fine-tuning）或检索增强生成（Retrieval-Augmented Generation, RAG）中的一种，对于需要频繁更新信息的应用，RAG是更优选择。微调更适合需要特定输出格式或风格的任务，因为它会修改模型的权重。对于既需要最新知识又需要一致行为的应用，建议结合使用这两种技术。RAG通常比微调的每次查询延迟和成本略高，但微调有前期训练成本。
-
RAG systems combat AI hallucinations by grounding responses in external data
This article discusses Retrieval-Augmented Generation (RAG) as a method to combat AI hallucinations. RAG systems integrate external information into the model's context, enabling responses to be grounded in provided dat…
-
Recursive chunking excels in Khmer agricultural document RAG
Researchers evaluated four text chunking strategies for a Retrieval-Augmented Generation (RAG) framework using Khmer agricultural documents. The study found that a character-based Recursive chunking method, with a chunk…
-
Claude leads in data transparency over Ollama and Cohere
A user tested three Retrieval-Augmented Generation (RAG) systems—Ollama, Cohere, and Claude—to see how they handled a credit bureau dataset. The user found that only Claude provided accurate information about its data h…
-
RAG 故障常源于检索而非 LLM
本文讨论了检索增强生成（RAG）系统中三种常见的故障，这些故障常被误归咎于底层的大型语言模型（LLM）。文章强调了诸如分块策略不当、提示工程无效以及检索机制本身存在问题等方面的不足。作者指出，优化这些组件对于提高 RAG 性能至关重要，而不应仅仅关注 LLM。
-
AI嵌入（Embeddings）解析：从含义到向量和RAG
嵌入（Embeddings）是AI的核心概念，将文本和其他数据转换为捕捉含义的数值表示。这些数值向量使AI模型能够理解单词和概念之间的关系，从而实现语义搜索和检索增强生成（RAG）等功能。虽然像Pinecone、Weaviate和Chroma这样的向量数据库常用于存储和查询这些嵌入，但像Meilisearch这样的工具的BM25检索等替代方法在特定用例中也可能有效，提供更简单的操作和更低的成本。
-
Custom Evals unifies LLM evaluation; Gumloop redefines enterprise automation
Custom Evals has been released, a tool designed to unify LLM evaluation across more than 17 AI agent frameworks. It incorporates support for RAG, NLP metrics, OCR evaluation, and LLM-as-judge scoring. Separately, Gumloo…
-
Medical RAG systems gain claim-selective certification for nuanced responses
Researchers have developed a claim-selective certification method for high-risk medical retrieval-augmented generation (RAG) systems. This approach decomposes responses into verifiable claims, scores them against retrie…
-
Production RAG pipelines demand focus on retrieval, latency, and ops
Building effective production RAG pipelines requires careful attention to retrieval quality, latency, and operational visibility, rather than just demo performance. Key decisions involve how content is ingested, chunked…
-
AI coding tools benefit more from live search than RAG, argues author
This article argues that for AI coding tools, live search is a superior method for code retrieval compared to Retrieval-Augmented Generation (RAG). It posits that directly navigating a dynamic local codebase offers a mo…
-
Perplexity boosts search accuracy with query-aware context compression
Perplexity has developed a new method for Retrieval-Augmented Generation (RAG) that prioritizes query-aware context compression. This approach significantly reduces the amount of text processed by cutting context tokens…
-
New benchmark evaluates legal RAG systems for accuracy
Researchers have introduced ClaimRAG-LAW, a new benchmark dataset designed to evaluate retrieval-augmented generation (RAG) systems in the legal domain. This dataset supports both French and English, catering to both le…