与「RAG」相关的搜索结果

Her Lilies dediğinde içim kıpır kıpır oluyor cennetten düşmüş bir melek ya bundan önceki onca performansa rağmen bizim için yazdığı lwm'yi bu kadar stabil ve güzel söylemesi inanılmaz gerçekten zambaklarına o kadar değer veriyor ki🥹💛

让 Claude Code 跑一会儿额度就见底，翻回去一看，大头根本不是你说的话，是它自己 grep 出来的几百行结果、一整坨日志、重复的 JSON，每一轮都原样塞回给模型。 Headroom 管的就是这块。它在本地把工具输出、日志、文件、RAG 片段先压一遍，再发给模型。 现在 7.9 万多星，今天在 GitHub Python 日榜上，10 号刚发 v0.44.0。 README 里我觉得比较有用的： 1. 不用改代码，headroom wrap claude 一条命令就把 Claude Code 套上，Codex、Aider、OpenCode、Kimi CLI 也能这么接，不想用了 headroom unwrap 撤掉 2. 官方实测四个 agent 场景省了 21% 到 57% 的输入 token，重复的 JSON 和日志能压掉九成以上 3. 压掉的原文都缓存在本机，模型需要细节时自己调 headroom_retrieve 取回来 4. 还能压输出：开 HEADROOM_OUTPUT_SHAPER=1，让模型少说"好的，我来……"这类开场白，默认是关的 压缩在本机跑，内容不会发出去。uv tool install --python 3.13 "headroom-ai[all]" 就能装，Apache-2.0，Cursor 得手动配。 大段正文、本来就很密的输出基本压不动，省多少看你的流量有多啰嗦，跑一下 headroom savings 就知道了。

Agent 最缺的不是更大的上下文窗口，而是理解整个代码库的能力：当一个项目有数万文件、跨模块调用和海量文档时，为什么还要让 AI 一遍遍 Grep、Read、重新理解整个工程？ 📦 项目档案 项目：Graphify-Labs/graphify GitHub Stars：⭐ 147299 技术栈：Python + Tree-sitter + NetworkX + Leiden 核心定位：将代码、文档、SQL Schema、PDF、图片及音视频转换成可查询、可追溯的知识图谱，让 AI Agent 从「搜索文件」升级为「理解工程关系」。 GitHub： 🛠️ 一、底层架构：不是传统 RAG，而是图结构知识引擎 Graphify 最值得研究的地方，是它没有走传统向量检索路线。 传统 RAG 通常需要经历： 文件切分 → Embedding → 向量入库 → 相似度检索 → 上下文拼接。 Graphify 直接构建 Graph。 底层采用 NetworkX 图数据结构，以 Node 和 Edge 表达工程实体及其关系。 整个处理链路可以概括为： detect() → extract() → build() → cluster() → analyze() → report() → export() 每个阶段职责独立，通过 Python Dict 和 NetworkX Graph 传递数据。 这意味着它不只是索引代码，而是在构建整个项目的结构化关系网络。 🛠️ 二、Tree-sitter AST：让代码解析摆脱 LLM 依赖 这是最有工程价值的设计。 Graphify 使用 Tree-sitter AST 解析约40种编程语言，提取： • Classes：类定义及结构。 • Functions：函数与方法。 • Imports：模块依赖关系。 • Call Graph：跨文件函数调用。 • SQL：表、视图、外键及 JOIN 关系。 其中33种语言使用 Tree-sitter Grammar，另外7种使用内置解析器。 关键在于：代码结构提取完全在本地完成，不需要调用 LLM，也不需要把代码上传到云端。 对于大型代码库，这种确定性解析比单纯依赖模型阅读文件更容易复现和追踪。 🛠️ 三、EXTRACTED / INFERRED：让每条知识关系都有证据 很多知识图谱最大的隐患是：模型推断出来的关系，很容易被误认为真实事实。 Graphify 给关系增加了置信度标签： • EXTRACTED：源码中明确存在的关系，例如 import、函数调用。 • INFERRED：通过上下文、命名和调用关系推断出来的连接。 • AMBIGUOUS：存在不确定性的关系，需要人工复核。 INFERRED 关系还会附带 0.0—1.0 的 confidence_score。 这套机制非常重要。 它实际上把知识图谱从一个简单的关联网络，变成了一个能够区分事实、推断与不确定性的工程知识系统。 🛠️ 四、Leiden + SHA256 Cache：解决规模与重复计算 Graphify 使用 Leiden 社区发现算法，根据节点之间的连接密度，将复杂工程拆分成不同功能子系统。 例如，一个大型后端项目，可以自动识别认证、数据库、路由、权限等不同社区。 同时，SHA256 内容哈希缓存会记录文件指纹。 文件没有变化，就跳过重复提取；只有新增或修改的文件才重新处理。 音视频还可以通过本地 faster-whisper 转录，再进入统一知识图谱。 这让增量更新不必每次重新扫描整个工程。 五、真正解决了什么工程问题？ 想象一个场景： 你接手一个陌生的微服务项目，需要搞清楚： 用户认证最终连接了哪些数据库模块？ 修改某个核心函数会影响哪些下游组件？ 某个架构决策为什么会存在？ 两个看似无关的模块究竟有什么隐藏依赖？ 传统方式：Grep、Read、跳转、反复询问 Agent，消耗大量上下文。 Graphify：直接执行 query、path、explain。 它还能生成三个核心产物： • graph.json：完整知识图谱，可供后续查询。 • GRAPH_REPORT.md：核心节点、社区及关键关系分析。 • graph.html：可交互的可视化图谱。 甚至支持 Mermaid 调用链导出、Markdown Wiki 和 Obsidian 知识库。 最重要的设计思想是： 不要让 AI 每次都重新阅读整个世界，而是提前把世界组织成它能够理解和遍历的结构。 这才是 AI Coding 从上下文堆砌走向工程知识管理的重要一步。 对于大型 Monorepo、遗留系统维护、跨模块依赖分析，以及需要长期理解代码库的 Agent，这套架构尤其值得研究。 🔗 GitHub 开源地址：

Vibe coding 越来越普遍，不少应届生大学期间几乎没亲手写过几行代码。 有没有发现一个很荒谬的现象。 现在应届生、实习生简历，到处都是精通Agent开发、熟练搭建RAG架构、基于LangChain/Harness做全栈项目这类描述。 真到面试深挖，问到向量检索底层逻辑、上下文溢出怎么处理、Agent状态机和重试机制，大多只停留在背名词的程度。 更矛盾的是，并发、数据库索引、计算机网络这些基础工程内容，一问就卡壳。 所有人都急着把自己包装成AI时代前沿开发者，却没有把最底层的工程基本功打扎实。

Dwayne Johnson, sağlık mücadelesine rağmen spor salonunda: Kronik enfeksiyon ve tüberkülozla mücadele ettiği belirtilen dünyaca ünlü oyuncu Dwayne Johnson, iyileşme sürecine devam ederken spor salonuna giderken görüntülendi.

听一个做企业网盘和知识库的朋友，最近讲了个让他们后背发凉的落地事故。 他们给一家中型公司做内部知识库问答，把多年的规章制度、技术文档和会议纪要接入了向量检索。 内测第一天，一名新员工在搜索框里问：“公司高管薪资和下季度裁员计划是什么？” AI 竟然从高层会议纪要的切片里检索出相关内容，还整理成了完整答案。 问题不在于 RAG 天生没有权限能力，而在于向量检索不会自动继承网盘里的访问权限。如果文档入库时没有保留权限信息，检索时也没有根据已验证的用户身份做过滤，模型就可能拿到员工本来无权查看的内容。 现在不少检索服务已经支持文档级 ACL 过滤，但身份校验、权限同步和检索过滤必须一起打通。只要其中一环漏了，敏感信息就可能进入模型上下文。 RAG 搜得准，只代表找到了相关内容；权限控制要回答的，是这个用户有没有资格看到它。 企业知识库上线前，先用不同权限的账号去搜同一批敏感问题。只要无权访问的文档还能进入检索结果，系统就还没准备好上线。

太牛了，腾讯开源的企业级知识管理框架 weknora ，我觉得可以直接拿即用了。 它不光可以用来作知识管理，Agent 的所有一切它都可以做，是现在很流行的 Agent+知识库的打法，简直是一站式知识库解决方案。 知识图谱，llm wiki，rag 问答，联网检索，工具调用，skill，记忆管理，数据源与 IM 应有尽有！ 关键它开源啊！自己 vibe 一下，彻底满足个性化需求。

1confirmation has invested in every Polymarket round ever and we keep doubling down. We are a seed stage fund and investing late stage is not our mandate. Here’s why we broke our rules: - There’s a 100+ year history of people wanting skin in the game on things like politics and culture and the time to accelerate that is now in an AI world where the biggest problem young people have is knowing what’s true. Everyone is becoming a trader/investor, and a product that converts that energy into better information and more truth is truly unique. - Polymarket is much more than sports and global. In the U.S. right now sports is all the rage. A better sportsbook is fine but it’s not the most enduring aspect of a prediction market business. Better information and more truth on politics, geopolitics and culture is the why and most young people you talk to IRL know that Polymarket is in a class of its own on this front even though that discourse here can get lost. - The business is leveling up. I’ve seen a lot over the past 6 years and it’s far from perfect but the exec team in place now is exceptional, the US product is best in class and the revenue is making new highs. I have not loved the messaging about a token at times bc it’s always best to underpromise and overdeliver by quietly delivering value to users. But the idea that a token is dead is foolish. - Shayne has a will to win like none other and is the most direct and transparent person I know. He’s just himself and authenticity wins. Posting here for transparency. Talk soon.

When paired with Gemma 4, EmbeddingGemma 2 powers efficient, on-device retrieval augmented generation (RAG) with a lower memory footprint. EmbeddingGemma 2 retrieves local files, and Gemma 4 reasons over them for grounded answers with complete privacy.

Introducing EmbeddingGemma 2, a new open multimodal model that sets the standard for on-device efficiency. - our first open, natively multimodal embedding model - handles text, code, image, video, and audio tasks within a lightweight, modular 740M parameter form factor - ideal for offline, privacy-first RAG when paired with Gemma 4 - outperforms some specialist models more than twice its size Weights available now on Hugging Face.