RAG

深度分析

檢索增強生成（RAG）中文文件表示研究：答案保留率決定正確率

本報告深入分析了在檢索增強生成（RAG）流程中，如何呈現檢索到的文件會影響大型語言模型（LLM）的回答正確度。研究固定檢索結果，僅變換文件的表示方式，測試了原始文件以及十三種不同的選取、摘要與改寫方法，並以四種生成模型評估問答正確率。結果顯示，答案保留率是決定生成品質的主要因素；

Obsidian

Obsidian Gemini Helper：結合 Google Gemini 的 TypeScript 開源 AI 助手與 RAG 功能

Obsidian社群近期發現開源AI助手obsidian-gemini-helper，結合GoogleGemini提供聊天、工作流程自動化與RAG搜尋。插件支援即時回應、檔案附件與加密日誌，並可視化編排多步驟任務，讓使用者在本地筆記本安全利用AI。

Awesome Architecture

Awesome Architecture：雙語架構圖譜聚焦 AI 閘道、RAG 與向量資料庫，GitHub Trending 爆紅

study8677 的 Awesome Architecture 在 GitHub Trending 短時間內激增，收錄 21 份雙語架構圖譜，涵蓋 AI 閘道、RAG、Agent 設計與向量資料庫等，提供從需求拆解到決策記錄的系統化教學，提升工程師的設計判斷力。

OpenPangu

OpenPangu、知識圖譜與 BKT：PersonalExam 的自適應題目生成架構

來自 GitHub 的開源專案 PersonalExam 結合大型語言模型與知識圖譜技術，目標在於實現更精準的個人化題目生成與學習推薦。專案以 OpenPangu 為基礎模型，採用知識圖譜做檢索增強（RAG），並以貝氏知識追蹤（BKT）評估學習者掌握度。

RAG

WFGY 與 Polaris Protocol：以 RAG、可驗證代理與除錯地圖構建可追溯的 AI 工作流程

WFGY是一個以人工智慧推理與RAG為核心的開源生態，採Polaris Protocol做為旗艦路線。專案以分階段釋出公開證據、可攜協議元件與復現材料為主軸，並提供Problem Map與Goal Compiler等工具，旨在強化代理系統的可驗證性與協作流程。

速報

RAG 文件前處理大檢視：PDF→Markdown 框架誰決定問答準確度？

研究指出PDF前處理決定RAG問答表現。比較四種PDF→Markdown工具與21種管線，測試含清理、切分與metadata強化。以36份葡文行政文件和50題基準評估，Docling配合階層切分與圖像描述獲得最高94.1%準確率，metadata與層次切分對效能貢獻最大。

model-compose

model-compose：YAML 驅動的可組合 AI 工作流程與可攜式部署

model-compose在GitHub上以單一YAML檔描述AI系統，借鏡docker-compose概念，將模型、代理與RAG管線視為可組合模組，強調可攜帶性與混合部署能力，幫助開發團隊降低供應商綁定風險並在本地、容器與生產環境間靈活遷移。

EDDI

EDDI：以 Quarkus 與 Java 驅動的設定化多代理人會話中介軟體

GitHub出現一個設定驅動的會話AI中介軟體專案，聚焦多代理人協作與企業合規。專案以Quarkus與Java實作，原生支援MCP與A2A通訊，並整合RAG、持久記憶與多家LLM供應。它把使用者、代理與業務系統以設定化路由與API協調連接，降低整合門檻並便於生產部署與合規審查。

系統設計

Awesome Architecture：21 張架構地圖與系統設計指南，含人工智慧閘道、RAG、Agent 與向量資料庫

「Awesome Architecture」是一個聚焦架構思維的雙語開源知識庫，收錄教學與 21 張真實系統的架構模板，涵蓋人工智慧閘道、RAG（檢索增強生成）、Agent 化設計、推理服務與向量資料庫等主題。

深度分析

LegalSearch‑R1：本地化版本化 RAG 與強化學習實現法律檢索的時間一致性

法律推理要求適用法與案情時間對齊。本研究提出LegalSearch‑R1，透過時間索引語料與強化學習，將本地法條RAG與線上搜尋結合，並用熵基增益整形改善時序查詢策略。實驗在13項任務顯示，此法提高時間一致性與檢索精準度。並呈現對既有研究的比較與泛化能力。

深度分析

頻譜檢索：用多尺度 sinc 卷積重排序逐 token 檢索以提升局部召回

檢索增強生成常以單向量平均，但當相關集中於短子段時會被周遭噪聲稀釋。頻譜檢索以多尺度sinc在token軸做卷積平滑，跨尺度取最大相似度，介於meanpool與per-token MaxSim之間。實驗於合成與LIMIT-small顯示明顯召回與排序改善。

Axon

Axon：以 Rust 為基底的自托管 RAG 流水線（含 Qdrant 與 Hugging Face 嵌入）

Axon在GitHub上呈現為自托管RAG流水線，結合MCP工具鏈執行爬取、擷取、嵌入與檢索；生產部署以Docker Compose、Qdrant與HuggingFace TEI嵌入模型為主，並以Gemini CLI協調LLM操作，旨在建立端到端的在地資料檢索與問答流程。