本文在 Amazon Bedrock 托管知识库和 Amazon Bedrock AgentCore 上构建了企业代理检索解决方案。代理进行推理、跨多个知识库进行路由并返回引用的答案，具有七层可观察性以及按需和持续评估，所有这些都通过单个 AWS CloudFormation 链进行部署。
美国海军陆战队人员与人员检索和处理连、第四海军陆战队后勤大队、海军陆战队预备役部队在北方打击 26-2 期间领导联合部队和多国部队的训练。北方打击26-2是一项由陆军主办的、多组成部分、多国演习，旨在建立战备状态并增强战斗和胜利的互操作性。今年的演习有来自联合部队和北约参演国家的 9000 多名参与者。
Retrieve One Row from a Table, Not the Whole Table: Row-Level Chunks for RAG
企业文档智能 [Vol.1 #7sexies] - 检索单位不一定是页面或段落。当语料库包含表格时，每个正文行及其列标题本身就是一个块，并且通常是读者询问的一行从表中检索一行，而不是整个表：RAG 的行级块首先出现在走向数据科学上。
Interview with Akari Asai – Beyond Scaling: Frontiers of Retrieval-Augmented Language Models
从整体式语言模型到增强式语言模型的途径。图片来源：Akari Asai 在 ACM SIGAI 出版物《AI Matters》的这篇交叉文章中，Ella Scallan 采访了 2025 年 AAAI 博士论文奖获得者 Akari Asai。 Akari 描述了她在增强语言模型方面的工作，其中语言模型经过训练以使用其他模型 [...]
Meiogyne monogyna (Merr.) Bân, in Yang, Wang, Lai et Tan, 2026. DOI: doi.org/10.11646/phytotaxa.767.1.5 english.CAS.cn 摘要Meiogyne monogyna (Merr.) Bân 以前被视为与广泛分布的 M. virgata (Blume) Miq 同种。并在后者下被同义词化。然而，根据对植物标本的详细检查和对活体植物的实地观察，我们确认M. monogyna是一个形态上独特的物种。因此，我们恢复了其物种状态并将其记录为中国植物区系的新记录，提供了全面的分类学描述，并将其纳
How I Reproduced BM25, Dense Retrieval, and SPLADE on a 16GB MacBook
三个检索基线的实际再现，包括对 RAG 系统重要的崩溃、修复和分数检查。我如何在 16GB MacBook 上再现 BM25、密集检索和 SPLADE 帖子首先出现在 Towards Data Science 上。
Agentic retrieval for Amazon Bedrock Managed Knowledge Base
本文重点介绍为什么经典检索无法解决多部分问题、AgenticRetrieveStream API 的工作原理（包括请求构造和跟踪解析）以及何时选择它而不是标准 Retrieve API。
AI Can Build A Course In Minutes. Learning Still Takes Time
人工智能现在可以在几分钟内将源材料转变为课程。人类的学习并没有以同样的速度加速。本文利用认知负荷、检索实践和持久学习方面的研究来解释为什么更快的课程制作并不能自动创造更快的理解。这篇文章首次发表在 eLearning Industry 上。
Aging Changes Memory in a Surprising Way, New Study Finds
一项新研究发现，随着人们年龄的增长，他们记住的过去细节越来越少，并且在不同类型的记忆之间切换也更加困难。随着人们年龄的增长，尽管与特定时刻相关的景象、声音和情感变得更难检索，但过去经历的广泛故事可能仍然存在。研究[...]
Modernizing and scaling support operations with generative AI on AWS
了解如何在 AWS 上构建基于 AI 的生成式支持运营平台，将培训视频转换为结构化 SOP，应用检索增强生成来指导故障单解决，并使用机器学习来预测 SLA 风险并确定工作优先级。
Powerful Teaching Book Study for Educators (3 Hours of Credit)
面向教育工作者的强大教学书籍研究（3 小时学分）首先出现在 Shake Up Learning 上。加入我们，参加 Pooja Agarwal 和 Patrice Bain 专为所有 ACCESS 会员进行的为期六周的关于强大教学的强大书籍研究！这项研究将探讨学生如何学习、记忆和检索信息，以及我们如何利用科学来加强教学、改善长期学习并减少不必要的挣扎。我们将一起解开四种强大的工具，分享实用策略，并思考如何应用继续阅读《为教育工作者提供的强大教学书籍研究》（3小时学分）首先出现在《Shake Up Learning》上。
FAQ as RAG: When You Get to Design the Corpus
企业文档智能 [Vol.1 #B2] - 常见问题解答颠倒了标准 RAG 管道的每一块砖。解析是微不足道的，检索兼作缓存，并且几次提示也成为检索问题作为 RAG 的常见问题解答：当您开始设计语料库时，首先出现在走向数据科学上。
From Preferences to Principles: Rubric-Based Alignment for Grounded Knowledge Answers
为开放域问答设计有效的奖励信号具有挑战性，因为高质量的响应必须同时满足答案质量的多个方面，而这些方面很难用整体标量目标来捕获。我们引入了一个基于评分标准的奖励框架，该框架根据检索到的证据生成特定于查询的评分标准，并分解为多个质量维度，从而在训练后提供细粒度的监督。对三个评估轴（构图、基础和遵循指令）进行平均，我们的方法改进了......
The Local AI Stack for Productive SLMs
一个实用的框架，用于在本地人工智能设置的每一层（从模型服务到上下文检索）选择正确的工具。
AI Agents Don’t Need More Context — They Need Typed Context
人工智能代理不仅存在上下文问题，还存在上下文输入问题。当指令、内存、检索到的证据和工具输出被扁平化为一个字符串时，它们的语义边界就会消失。我构建了一个轻量级、零依赖的 Python 运行时，它可以使这些边界保持明确，跟踪出处，并在无效的上下文转换到达模型之前拒绝它们。本文介绍了实现、测试以及这种方法的作用和不保证的内容。《人工智能代理不需要更多上下文 — 他们需要类型化上下文》一文首先出现在《走向数据科学》上。
Reduce RAG costs on Amazon Bedrock with query-aware compression
输入令牌通常是大规模运行检索增强生成 (RAG) 成本的重要组成部分。本文介绍了 Amazon Bedrock 上的查询感知上下文压缩模式：检索后，较小的模型会在主模型回答之前根据查询过滤检索到的块，从而减少输入令牌和成本，同时保持答案质量。
Parse the Folder, Not Just the PDFs: The Relational Tables RAG Needs on a Case File
企业文档智能 [Vol.1 #14D] - 索引列出了打开任何文件夹之前案例类型的要求，并且值得构建的两个问题根本不是检索问题帖子解析文件夹，而不仅仅是 PDF：案例文件中 RAG 需要的关系表首先出现在走向数据科学上。
Making the Knowledge Layer a Graph You Actually Traverse
为什么检索质量应该是系统的属性，而不是问题措辞的属性？通过对每个查询、双时态边缘和双阈值实体解析进行图遍历来重建知识层。使知识层成为您实际遍历的图的帖子首先出现在走向数据科学上。
