推荐文章8
一文读懂RAG与KAG原理及实战
机器学习AI算法工程
AI 摘要
文章指出RAG适合开放域、时效更新快场景，KAG在实体关系与事实一致性上更稳。多数业务选RAG起步，需强事实一致性时用KAG，混合范式能兼顾覆盖与可信，还给出实战方法与资源。
阅读原文 · 机器学习AI算法工程
一文读懂 RAG 与 KAG：原理、工程落地与开源实战（含代码与链接）
文章介绍RAG与KAG，RAG从文档找证据回答，适合开放域、时效更新快场景；KAG将结构化知识融进生成过程，实体关系与事实一致性更稳。还给出实战建议、工作流要点、最小可跑示例、开源组件及项目等。
关注公众号
扫码关注
第一时间收到每日精选
相关文章
推荐文章7
LLM Wiki 工程实践与 RAG 融合应用
文章介绍 LLM Wiki 工程实践。包括为 AI Coding 创建知识地图，指导 Agent 加载上下文；在 Obsidian 构建知识体系，有插件和自定义 Agent 两种方法；还分析其与 RAG 关系，指出可融合互补，不要过度神话 LLM Wiki。
AI大模型应用实践
推荐文章7
从 LLM Wiki 到 Google OKF 重建知识底座
文章深入解读 LLM Wiki 与 Google OKF，探讨如何重建企业 Agent 可靠知识底座。指出 RAG 检索有局限，Wiki 式体系可整理知识。介绍 LLM Wiki 构想、OKF 规范及构建符合 OKF 约定的 LLM Wiki 的方法。
AI大模型应用实践
开源动态8
LMCache：解决AI token重复计算难题
斯坦福研究显示，AI Agent每次调用62%内容重复，现有前缀缓存虽有优化但天花板低，阿里云数据表明多数缓存块利用率低。LMCache将缓存管理独立，解决性能问题，其CacheBlend技术复用缓存，适配多引擎和存储后端。
AI工程化
算法论文8
MCompassRAG：用指南针破解RAG检索难题
RAG系统存在chunk切分难题，现有方案有额外成本。MCompassRAG不切细、不rerank，给粗chunk加主题元数据当指南针，训练推理分离，实验显示信息效率提升、延迟降低。
PaperAgent