Technology / 31 articles

AI 动向

整理生成式 AI、AI Agent、开发辅助工具等最新趋势的文章。

值得关注的最新技术

RAG、GraphRAG、LLM Wiki 与 Ontology:四种知识库技术怎么选

四种技术解决的不是同一个问题:LLM Wiki 整理个人资料,RAG 做企业文档问答,GraphRAG 追踪跨文档的实体关系,Ontology 统一多系统的业务语义。文章用项目 A 的同一组例子拆开原理、边界与组合方式,并说明两种「图谱」为什么不是一回事。

阅读文章

该分类下的文章

模型・工具・标准

共 31 篇文章

AI 动向 5 分钟

RAG、GraphRAG、LLM Wiki 与 Ontology:四种知识库技术怎么选

四种技术解决的不是同一个问题:LLM Wiki 整理个人资料,RAG 做企业文档问答,GraphRAG 追踪跨文档的实体关系,Ontology 统一多系统的业务语义。文章用项目 A 的同一组例子拆开原理、边界与组合方式,并说明两种「图谱」为什么不是一回事。

AI 动向 5 分钟

智能体缺的不是更聪明的模型,而是“懂业务”

AI 智能体难以在企业中可靠行动,原因往往不是模型推理能力,而是缺少业务知识。Neo4j 发布的 Context Engine 用六层业务本体,把流程、术语、数据位置、权限与历史决策组织成一张图,并以 GraphRAG 检索和记忆学习支撑智能体。本文梳理其思路,也讨论 private preview 阶段仍需验证的问题。

AI 动向 4 分钟

本体、知识图谱、知识库、数据中台,到底有什么区别?

本体、知识图谱、知识库、数据中台这些概念大多早于大模型出现,却在 LLM 时代重新变热。作者用自己搭建的企业知识图谱解释四者的关系,并从入库、查询、可追溯和 Agent 执行四个方面,说明大模型究竟改变了什么。

AI 动向 5 分钟

YC 用一年补上的缺口:把个人的 AI 超能力,变成整个公司的能力

个人用 AI 已经很强,公司整体却没怎么变。YC 花一年搭起五层系统:统一数据、共用工具、把做法写成 skill、每晚用对话记录改进 skill,再把对话默认公开。合伙人 Pete 首次公开这套结构,本文按落地顺序拆解,并指出最难的两层与第一步。

AI 动向 7 分钟

企业级本体论的两条岔路:分析型语义层,还是软件执行基盘

本体论在企业 IT 中分化为两条路线。分析型语义层统一指标定义,以只读方式支撑 BI、Text-to-SQL 与 LLM 的上下文接地;操作型本体论则把状态变更事务、事前校验、外部系统写回与类型安全的 OSDK 代码生成整合成业务应用的执行基盘。Databricks、Microsoft、Google Cloud 的能力本质上是前者的延伸,Palantir 则是后者的代表,并以 CQRS 与决策血缘实现企业级读写分离。本文梳理两者的结构差异、AI 智能体时代的分工,以及企业架构选型矩阵。

AI 动向 6 分钟

用 Knowledge Catalog 与 Gemini 打通数据科学与营销的自动化工作流

本文以零售银行的贷款置换为例,说明 Knowledge Catalog 与 Gemini 如何打通数据科学与营销:自然语言探索数据、自动生成 PySpark 并经 Lightning Engine 做零拷贝连接,用 XGBoost 建模(准确率90%、精确率85%),一键发布到目录,直至用零 token 的 BI 分析把数月工作压到几分钟。

AI 动向 6 分钟

放弃聊天的 Jev:一个只做判断的模型,凭什么又快又便宜

TypeSafe AI 的新模型 Jev 不写文章,只返回判断和概率:官方测试中速度最高约为通用大模型的 193.6 倍,成本约为其 1/444.6,每百万输入 token 仅 0.042 美元,输出免费。它用 state 和 question 调用,以 Noul、Choice、Score 三种形式输出结果,并采用 RLCD 让概率直接用于自动分流,体现了判断、生成、执行的分工。

AI 动向 6 分钟

AI 真正的大众化,可能根本不是省时间

a16z 第七版报告呈现一组矛盾数据:美国近半数消费者用过 AI,但每天使用的只有约四分之一,持续为 ChatGPT、Gemini 或 Claude 付费的仅 4.5%;而付费用户顶部 1% 月均花费 903 美元。过去三年,AI 被当作节省时间的生产力工具来理解,但真正覆盖几十亿人的消费产品,靠的是让人愿意把时间留在里面。文章顺着个人智能体与订阅模式的演变,讨论消费级 AI 为何需要从效率走向体验。

AI 动向 5 分钟

从小米AI Cube看“本地智能”的崛起与AI未来

本文通过分析小米“AI计算基站”——AI Cube,探讨了从简单的LLM聊天机器人向作为生活基础的“本地智能”的转变。文章以工程师视角,深入解读了其高性能硬件规格、基于本地处理的隐私保护优势,以及实现真正“语音执行(Voice to Action)”的可能性。探讨了从依赖云端AI向以人为本的本地智能AI体验过渡的未来趋势。