Amazon Bedrock Knowledge Bases 如何用自然语言查询保险理赔记录
AWS 介绍了如何使用 Amazon Bedrock Knowledge Bases 和 AgenticRetrieveStream，基于 Amazon S3 中的理赔文档构建带引用的自然语言查询助手。
推荐理由：文章以合成保险理赔数据演示如何结合 AgenticRetrieveStream、元数据过滤和上下文接地检查，构建带引用的 RAG 查询流程。
#RAG
#RAG
今日 1 条AWS Machine Learning Blog精选AI 评分6161
AWS Machine Learning Blog精选AI 评分6262 AWS 用 Amazon Quick 和 Amazon Bedrock AgentCore 构建合同智能平台
AWS 介绍了一套基于 Amazon Quick 和 Amazon Bedrock AgentCore 的合同智能平台，将 PDF 合同抽取为结构化数据并写入 Amazon Aurora PostgreSQL，再通过仪表盘和自然语言查询同时支持组合计和单份合同问答。
推荐理由：文章通过合同场景说明聚合查询为何需要结构化抽取与数据库，并给出双模型校验和确定性服务协同的架构方法。
AWS Machine Learning Blog精选AI 评分6464 Condé Nast 如何用 Amazon Bedrock 构建多模态视频发现系统
Condé Nast 与 AWS Generative AI Innovation Center 基于 Amazon Bedrock、Amazon OpenSearch Service 和 TwelveLabs Marengo，构建了跨视频画面、音频和字幕的意图检索系统。
推荐理由：文章以 Condé Nast 的生产案例说明多模态视频检索如何通过解耦架构和异步处理兼顾大规模回填与低延迟搜索。
GitHub Blog · AI & MLAI 评分4343 该不该读 AI 生成的代码、RAG 是否已死，以及 Skills 是否取代 MCP？
GitHub Podcast 讨论五个 AI 开发热点，认为 AI 生成的代码仍需审查，但应按风险分配注意力；Skills 与 MCP 解决不同问题，RAG 也没有消失。AI 使用能力正成为软件开发的一部分，而清晰结构、规范命名、可读测试和及时文档能提升代码库的可维护性与可理解性。
Hugging Face Blog精选AI 评分7777 Sentence Transformers 教程：训练与微调 Multi-Vector Embedding 模型
Sentence Transformers v6.0 引入 MultiVectorEncoder，并提供训练 ColBERT-style late interaction 检索模型的完整流程。
推荐理由：文章将 MultiVectorEncoder 的训练组件、起始模型选择和索引压缩串成可执行流程，并用医疗检索实验展示领域微调的收益与成本。
Hugging Face Blog精选AI 评分7676 Hugging Face 如何用 Inference Endpoints、Jobs 和 Buckets 驱动 Papers with Code 搜索
Hugging Face 介绍了 Papers with Code 搜索系统的生产架构：用 Jobs 批量生成论文嵌入，用 Storage Buckets 交接可校验的数据产物，再由 Inference Endpoints 为在线查询提供低延迟嵌入。
推荐理由：文章拆解了 Papers with Code 搜索的混合检索架构与生产经验，涵盖批处理、在线推理、增量更新和故障回退。
Mistral AI精选AI 评分8484 Mistral AI 发布 Agentic Search，提升复杂文档检索准确率并降低开销
Mistral AI 发布 Agentic Search，为 AI 系统提供可搜索、打开、导航、读取和 grep 文档的多步检索层。其在 FinanceBench 上将准确率从 26.7% 提升至 86%，在 OfficeQA Pro 上从 6.3% 提升至 51.9%，并将 p90 延迟最多降低 39.6%、token 消耗最多减少三分之一。
推荐理由：Mistral 将多步搜索、文档导航与证据核验组合进检索层，并用两项基准展示准确率、token 使用和延迟的变化，便于评估其适用场景。
Hugging Face Blog精选AI 评分8080 Sentence Transformers v6.0 发布 MultiVectorEncoder，支持 Late Interaction 检索
Sentence Transformers v6.0 新增 MultiVectorEncoder，支持 ColBERT 风格的 late interaction 检索，并可直接加载 PyLate、Stanford-NLP ColBERT 和部分 ColPali 系列模型。
推荐理由：文章系统说明了 MultiVectorEncoder 的工作原理、检索取舍和接入方式，适合评估 late interaction 是否适合现有搜索架构。
Mistral AI精选AI 评分7878 Mistral AI 发布 Mistral OCR 4，支持结构化文档解析与自托管部署
Mistral AI 发布 Mistral OCR 4，新增 bounding boxes、区块类型分类和内联置信度分数，支持 170 种语言并可在单个容器中自托管。
推荐理由：OCR 4 将版面定位、区块分类和置信度整合进文档解析，并同时覆盖 API、Document AI 与自托管部署，便于按数据与流程需求选型。
Google Research精选AI 评分8080 Google Gemini Enterprise Agent Platform 发布 Agentic RAG 跨语料检索
Google 在 Gemini Enterprise Agent Platform 中推出由 Agentic RAG 驱动的 Cross-Corpus Retrieval 公共预览版。
推荐理由：文章说明了 Agentic RAG 如何通过规划、路由和充分上下文检查处理跨数据源问题，并给出准确率与延迟对比。
Mistral AI精选AI 评分8080 Mistral AI 发布开源 Search Toolkit 公测版
Mistral AI 发布 Search Toolkit 公测版，这是一个用于构建 AI 应用生产级搜索管线的开源框架，将数据摄取、检索和评估统一到同一接口中。
推荐理由：Search Toolkit 将数据摄取、检索和评估纳入统一接口，并提供可复用的启动模板，降低构建和比较 RAG 搜索管线的整合成本。
Google Research精选AI 评分6767 Google Research 用高温超导问题评测六个 LLM 的科学问答能力
Google Research 与 Cornell University 合作，使用 67 个高温超导研究问题评测六个 LLM，并由专家按观点平衡、完整性、简洁性和证据等指标评分。
推荐理由：这项研究比较了开放网络数据与专家精选文献对专业问答的影响，为评估科学领域 LLM 的证据完整性和观点平衡提供了具体案例。