【新智元导读】谷歌提出了多智能体协作的新方法「智能体链」（Chain-of-Agents），超越传统方法，多个任务高出10%的性能，特别是处理长文本相较于基线提升高达100%。甚至无需训练，可与多种LLM模型协同工作。

1. 谷歌提出了多智能体协作的新方法「智能体链」 (Chain-of-Agents)，在长文本处理任务上性能显著提升。 2. 与传统方法相比，CoA在多个LLM之间利用自然语言进行信息汇聚和上下文推理，时间复杂度从平方复杂度降到了线性复杂度。

知识图谱是位于原始数据存储之上的连接层，将信息转化为具有上下文意义的知识。因此理论上，它们是帮助 LLM 理解企业数据集含义的绝佳方式，使公司更容易、更高效地找到相关数据嵌入查询中，同时使 LLM 本身更快速、更准确。

4. 混合检索策略： 采用结合BM25和基于LLM的检索方法的双重检索策略 ... 综上所述，ChunkRAG通过细粒度的分块过滤和高级检索技术显著提高了RAG系统的精确性和事实准确性，但仍需在分块分割、嵌入质量、计算成本、可扩展性和动态阈值设定等方面进行进一步 ...

检索增强生成（RAG）在开放域问答任务中表现出色。然而，传统搜索引擎可能会检索浅层内容，限制了大型语言模型（LLM）处理复杂、多层次信息的能力。为了解决这个问题，我们引入了WebWalkerQA，一个旨在评估LLM执行网页遍历能力的基准。它评估LLM ...

但是，当预训练LLMs的开箱即用没有按预期或希望执行时，关于如何提高LLM应用程序性能的问题就来了。最终，我们到了问自己的地步：我们应该使用检索增强生成（RAG）还是模型微调来改善结果？ 在深入研究之前，让我们揭开这两种方法的神秘面纱： RAG ...

在数字化迅猛发展的今天，数据管理已成为各行各业共通的必要素养。如何高效而智能地管理日益增长的数据量，成为了企业、科研机构与治理部门亟待解决的课题。近日，清华大学李国良教授团队发布的论文《LLM for Data Management》为这一难题提供了创新性的解决方案。

2025年RAG技术并不会消亡，而是以新的范式 Agentic RAG 得到更广泛、深入应用，2025新鲜出炉的Agentic RAG全栈技术综述：全面回顾了RAG的发展历程，从最初的Naïve RAG到Advanced RAG，再到Modular RAG和Graph RAG，每种范式都有优劣。Agentic ...

我们计划采用Llama-index来做RAG。Langchain也是个不错的选择。我们之后会加入Langchain的版本，不过目前只做了Llama-index的教程。干活之前我们先准备好必备模型。一个llm模型，和一个embedding模型。 想要借助Llama-index构建llm和embedding模型，我们大体上有四种思路。

首先，提示工程是一种通过优化输入提示来提升模型输出质量的简单而有效的方法。它并不需要对模型本身进行训练，而是通过设计精准明了的提示，引导LLM生成更高质量的结果。例如，在对模型提问时，输入的结构、示例的提供都可以极大影响模型的理解和响应。因此，掌握提 ...