你刚刚迭代了你的AI Agent，它似乎比旧版更聪明、更流畅了。但这种“感觉”是不可靠的。当你的老板、同事或客户问“新版到底好在哪？具体提升了多少？”时，你该如何用冰冷的数据来证明？答案就是构建一个高质量、系统化的测试集。这是将开发中的主观感受，转化为工程上客观度量的唯一可靠途径。

RAG已死？2025年大模型问答架构的范式思考

还记得为搭建企业知识库问答系统，在向量数据库和Embedding中挣扎的夜晚吗？当我们还在优化RAG的召回率时，一个更简单的范式已悄然崛起：搜索优先的Agent架构。最近读了一篇《》的文章，有些启发。在2025年，RAG真的还是首选吗？本文将用数据和案例带您重新审视这场技术革命。

RAG可以赋能大模型应用，使得企业在保持隐私、提高准确性情况下利用大模型能力。

RAG的重要性，一方面在于扩大了大模型的上下文；另一方面在于在大模型的知识外增加了知识库（而这个知识库还可以有企业的私有特性），第三个是减少了幻觉，增加可靠性。

AI Agent 的发展重点将是多智能体协作系统，而非单一的全能型智能体。这些系统侧重于优化后端运营，而非仅仅面向客户。

Claude在24年12月份发表"Building effective agents" ，这篇文章的核心思想是：构建高效的 AI Agent 系统，应从简单的构建模块开始，逐步增加复杂性，并根据任务需求选择合适的工作流模式。同时，要重视工具设计和迭代优化，确保 Agent 的可靠性和有效性。 这篇文章为开发者提供了实际可操作的指导，强调了在实际应用中保持简单性和灵活性。

2024年2月18日，伯克利大学的Matei Zaharia,等发表了一遍关于复合AI系统的文章，阐述了相关概念和问题，并指出复合AI系统的核心在于通过巧妙的工程设计，整合多种AI能力，从而达到更好的性能，而不仅仅是依赖于模型的简单放大。

langchain:使用langchain和chatGPT来处理问答

这篇文档很好的帮助理解如何将知识库与大模型结合起来使用。

a16z网站向其超过 40 位合作伙伴征询了他们认为将在 2024 年成为创新动力的重要理念。其中有不少有有助于我们对大模型应用的想象。 推荐级别：☆☆☆