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。
推薦理由：文章提供了構建帶有引用和後設資料過濾的智慧檢索助手的完整程式碼與架構，讀者可以據此在實際工作流中實現可追溯的文件查詢。
AWS 介紹了一種結合 AI 智慧體、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。
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。
推薦理由：該系統在多源多跳查詢中將準確率提升至 34%，為企業工作流提供更可靠的答案，並在跨語料庫場景下保持 90.1% 的高準確率。
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 與智慧體場景，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 與智慧體場景。
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。
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。
推薦理由：原文公佈了專門針對程式碼檢索最佳化的嵌入模型及其定價和介面資訊，開發者可據此評估其在程式碼庫檢索和智慧體工作流中的效能與成本。
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。