Cornerstone OnDemand 透過 Amazon Bedrock 與 Strands Agents 將資料庫診斷時間縮減 78%
Cornerstone OnDemand 建置了名為 Orion AI 的多代理系統,利用 Amazon Bedrock 與 Strands Agents 將資料庫診斷時間從 45 分鐘縮短至 10 分鐘,節省 78% 時間。
Cornerstone OnDemand 建置了名為 Orion AI 的多代理系統,利用 Amazon Bedrock 與 Strands Agents 將資料庫診斷時間從 45 分鐘縮短至 10 分鐘,節省 78% 時間。
Qlik Answers 是一套面向企業的 AI 解決方案,利用 Amazon Bedrock 以可擴充、可信且符合法規的方式回答員工的自然語言問題。 - 分層架構:Entry → Routing → Answer → Specialist Agent → Retrieval → Model Access,將路由與深度推理分離,提升速度與準確度。
本文闡述 AI 代理如何將檢索作為動態工具,取代傳統固定向量 RAG,並提供多種替代方案與實作建議。 - 傳統 RAG:先向量化、查詢,再輸入模型;僅適用於單步問答,無法處理多步推理或檔案關係。
LLM 與資料汙染被武器化以製造共識,本文闡述 AI 如何被用來重塑歷史與社會議題。 - 統計頻率即事實:LLM 以網路上出現頻率為真,易被同步化文章所操縱。
Atlassian 與 OpenAI 擴大合作,將前沿模型與企業知識連結,協助團隊規劃、建置與交付工作。 合作內容:將前沿模型與企業知識整合,為團隊提供規劃、建置與交付的支援。 目標:將企業知識轉化為實際行動,提升團隊工作效率。
推薦理由:兩家公司合作將先進模型應用於企業知識管理,為團隊規劃與交付提供實務工具,這一合作將有助於提升企業工作流程效率與創新能力。
Amazon Bedrock AgentCore、Nova Sonic 與 Managed Knowledge Base 共同打造的語音旅遊管家,可讓旅客透過語音改簽、查延遲、查詢政策並連線真人客服。
推薦理由:示範如何利用 Bedrock AgentCore、Nova Sonic 與 Knowledge Bases 建構可擴充的語音旅遊管家,並提供完整部署指令碼。
Amazon Bedrock 知識庫 搭配 LangChain 提供 Agentic Retrieval,能在多步查詢中拆解問題、評估證據並重複檢索,提升召回率。
Kolibri 是 Aleph Alpha 於 2026 年 10 月 3 日發布的開源多語言 LLM,擁有 78.1 B 引數,單個 token 只活躍約 3.46 B,支援德語與英語,並可在 1 M token 上下文中執行。
AstaBrief 是一款 8B 引數的開源報告生成模型,能在 Asta 平臺以 51.1 秒完成報告,速度比思考模式快 3.5 倍。 - 核心功能:一次性生成完整引用報告,省去逐段生成。
導語:本篇示範如何在 Amazon SageMaker AI 上使用多輪 RL 微調 Qwen3.6‑27B 搜尋代理機器人,顯著提升搜尋品質與可靠度。
本文介紹瞭如何使用 Amazon Bedrock Knowledge Bases 構建具備自然語言查詢、後設資料過濾、對話記憶和上下文安全護欄的理賠助手。文章詳細給出了將 S3 中的理賠文件與後設資料同步至託管知識庫、呼叫 AgenticRetrieveStream API 處理多步問題、渲染引用以及配置防護欄的具體實現步驟與程式碼示例。
Voyage Rerank 3 與 Voyage Rerank 3 Lite 現已可在 Vercel 的 AI Gateway 直接使用,兩者皆支援 32K token 的查詢-檔案對,並可依需求調整準確度或效能。
AWS 介紹了一種結合 AI 助理、多模型驗證與嵌入式分析的合同智慧平臺架構,可解決傳統 RAG 無法處理的大規模合同跨文件聚合查詢難題。該平臺利用 Amazon S3 儲存合同 PDF,通過 Claude Sonnet 提取欄位、Claude Haiku 驗證結果,並以 Amazon Aurora PostgreSQL 儲存結構化資料,實現秒級處理與精準問答。
GitHub Podcast 討論了關於閱讀 AI 生成程式碼、RAG 是否已過時以及 Skills 與 MCP 的關係等熱門觀點。文章指出,閱讀 AI 生成程式碼仍需審查,RAG 仍具價值,Skills 與 MCP 各有定位,建議結合標準與實踐共同使用。
本研究提出利用 Ising 模型調整 LLM 判斷者之間的依賴關係,提升聚合準確度 9%–14%。 - 任務範疇:評估檢索增強生成系統中的相關性、毒性與摘要品質,共三個二分類任務。
本文介紹如何在聊天請求中透過 content 陣列傳送文字與圖片,支援多種視覺模型且請求格式保持一致。 - 請求格式:使用 messages 陣列,包含 type: text 與 type: image_url 兩個部分,支援公開網址與 base64 資料格式。
推薦理由:原文詳細拆解如何透過 API 傳送圖片給多模態大語言模型,開發者可據此評估公開網址與 base64 編碼的適用時機。
Google Research 推出了 Gemini Enterprise Agent Platform 的 Agentic RAG,利用多代理協同、規劃與足夠上下文機制,提升多源多跳查詢的準確率至 34%,在跨語料庫實驗中保持 90.1% 的高準確率,且延遲與單語料庫版本相近。該功能已作為公開預覽提供。
Mistral AI 公佈 Search Toolkit,開源框架整合搜尋、檢索與評估,支援多源索引、即時資料拉取,相容 BM25、向量檢索及混合模式,內建 recall、precision、MRR、NDCG 等指標,適用於 RAG 與AI 助理場景,可在雲端、本地或邊緣部署。
推薦理由:Search Toolkit 將搜尋、檢索和評估整合到單一框架,幫助企業減少工程時間並提升檢索質量;其可在雲端、邊緣或本地部署,支援多源索引與即時資料拉取,適用於 RAG 與AI 助理場景。
Calico Life Sciences 利用 DeepMind 的 Co-Scientist 工具,生成並驗證了關於 ISR 通過代謝調控的新假設,實驗結果揭示了 ISR 在衰老與疾病中的重要作用。該工具幫助研究人員篩選高質量假設並最佳化實驗設計,推動了衰老生物學研究的進展。
Divide & Conquer 框架讓弱 LLM 在長上下文任務中可與 GPT‑4o 相媲美。 - 核心實驗:在 ICLR 2026 研究中,Llama‑3‑70B、Qwen‑72B 透過規劃、分工與聚合,在長文本檢索、問答、摘要等任務上,表現超越 GPT‑4o 單次處理。
Mistral AI 釋出首個專為程式碼最佳化的嵌入模型 Codestral Embed,在真實程式碼資料的檢索任務中表現優於多個市場同類模型。該模型支援多維度與多種精度輸出,可在檢索質量與儲存成本之間進行靈活權衡。Codestral Embed 已在 API 上線,定價為每百萬 token 0.15 美元,同時提供批次 API 折扣及本地部署支援。
Mistral AI 介紹瞭如何利用大語言模型作為裁判來評估 RAG 系統,重點探討了 RAG 三元組的概念,並結合結構化輸出功能給出了具體的實現程式碼和評估框架。
Ollama 近日推出嵌入模型支援,並示範如何結合 LangChain、LlamaIndex 建構 Retrieval Augmented Generation(RAG)應用。
Mistral 7B 透過 Ollama 在瀏覽器端實現本地 LLM,搭配 LangChain、Voy 與 Transformers.js 完成 RAG 網頁應用。
推薦理由:本文示範如何利用瀏覽器端本地模型構建 RAG 應用,提供可直接套用於前端開發的實作範例,並說明如何透過 Ollama 與 LangChain 連結本地 LLM,降低成本與提升隱私。