从零搭建检索系统:一堂打破RAG迷思的工程课
这是一堂从最基础的关键词搜索讲起,逐步走向向量搜索与混合检索的实战课程。Elastic 的 Philipp Krenn 用大量现场演示告诉你:RAG 的成败不在模型,而在你是否真正理解“检索”这件事。
这是一堂从最基础的关键词搜索讲起,逐步走向向量搜索与混合检索的实战课程。Elastic 的 Philipp Krenn 用大量现场演示告诉你:RAG 的成败不在模型,而在你是否真正理解“检索”这件事。
在这场关于LLM评测的演讲中,Red Hat 的 AI 开发者倡导者 Taylor Jordan Smith 用大量真实经验说明:生成式 AI 的最大风险不在“不会用”,而在“用得太快”。这篇文章提炼了他关于企业级大模型落地、评测体系与渐进式成熟路径的核心洞见。
两位来自 AlixPartners 的 AI 负责人,用两年内部实践讲清一个残酷现实:生成式 AI 正在系统性压缩专业服务的工时,但真正被颠覆的不是“计费”,而是价值创造方式。
这场来自Intuit高级工程师的分享,罕见地揭示了生成式AI在强监管行业中的真实落地方式:不是炫技,而是围绕安全、评估和用户理解构建系统能力。文章将还原TurboTax背后的LLM架构、关键技术取舍,以及他们踩过的坑。
在这场来自NVIDIA的分享中,Mitesh Patel系统讲解了HybridRAG——一种将知识图谱与向量检索融合的RAG架构。相比单一向量检索,它更可控、更可解释,也更适合走向生产环境。
这场演讲从一个现实问题出发:在复杂、密集的企业知识中,单纯依赖向量检索的RAG正在失效。Sam Julien结合真实系统演进过程,讲述了他们为何转向Graph-based RAG,以及这一转折带来的方法论启示。
这场演讲中,WhyHow 的 Tom Smoker 讲述了他们如何在诉讼与法律发现中使用知识图谱与多智能体系统。核心不在于更大的模型,而在于把零散、混乱的法律文本转化为可被 AI 推理、裁剪和决策的结构化图,从而真正影响律师的判断。
在这场由Neo4j三位核心成员分享的实践演讲中,GraphRAG被视为解决RAG幻觉、相关性不足和不可解释性的关键路径。文章梳理了GraphRAG的动机、方法论、技术流程与真实演示,解释为何“向量相似≠业务相关”,以及知识图谱如何让LLM变得更可靠。
Adobe应用AI负责人Muktesh Mishra在这场分享中,系统拆解了为何“评估(Evals)”已成为AI应用的生命线,以及如何跳出准确率与相似度的局限,把Evals当作一套可规模化、可演进的工程体系来建设。
本文带你走进Chelsea Finn在Y Combinator分享的机器人学习前沿实践,从失败到突破,揭示通用机器人如何通过大规模数据、预训练与微调,逐步迈向“能做任何事”的物理智能。你将看到真实的技术难题、创业故事,以及对未来机器人行业的独到预判。