AI 资源库 · 已整理 2 项
查看与检索质量相关的 AI 资讯、工具、Skill、工作流和开源项目。
这篇文章讲的是一个常见现象：AI Agent（智能体，能自己调工具、做决策的程序）在演示环境里表现完美，一放到真实公司环境就出问题。原因是演示时信息少且干净，而真实世界里数据来自多个系统、每天甚至每小时都在变，权限管理也复杂，Agent 往往处理不了这些。作者认为光靠向量搜索或 RAG（检索增强生成，即先查资料再回答）不够，Agent 还需要“业务上下文”——知道客户在不同系统里是不是同一个人、查到的信息是不是最新的、以及为什么要做某个决定。文章还提到 Arango 公司 COO Ravi Marwaha 将在 10 月 14 日的线上讲座中分享把 Agent 从演示推向生产所需的六项数据要求。目前该讲座尚未举行，文中未说明具体的六项要求细节。
提供的材料未提及具体可用工具。
Cohere 周三发布了 Embed 5 系列模型，让团队可以用 Embed 5 Pro 来给数据建向量索引，同时用更快更便宜的 Embed 5 Fast 来查询同一批向量，不用再建第二个索引。以前如果既要低成本又要高质量，往往得维护两套数据表示，现在两个模型共享同一个向量空间，可以直接混用，不需要重新嵌入。Cohere 自己的测试显示，用 Pro 建索引、Fast 查询，检索质量相当于 Pro 对 Pro 的 98.4%，差别很小；Fast 的吞吐量平均是 Pro 的 2.4 倍，价格从每百万 token 0.12 美元降到 0.08 美元。两个模型都支持 256 到 2048 维向量以及 float32、int8、binary 格式，能处理文本、图像和图文融合输入，覆盖 100 多种语言。Embed 5 Pro 和 Fast 已通过 Cohere API、Model Vault、Microsoft Foundry 和 Amazon SageMaker 开放，也支持 vLLM 私有部署；但生产环境仍建议在自己的数据上重新评测，因为检索错误可能在多步 Agent 流程中被放大。