算法论文8
BookRAG：解决复杂文档问答难题
PaperAgent
AI 摘要
PaperRAG提出BookRAG，解决传统RAG处理复杂文档的两大盲区，在多模态长文档基准上表现优异。采用独特技术方案，实现高精度、高召回、低成本，适合被长文档多跳查询折磨的人。
阅读原文 · PaperAgent
BookRAG：专治各种「层次化复杂」文档
BookRAG专为处理层次化复杂文档而生。传统RAG有两大盲区，而BookRAG在多模态长文档基准上刷新SOTA。它采用BookIndex×Agent - based Retrieval技术方案，效率高、可扩展性强，兼顾高精度、高召回、低成本。
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