RAG - Agents Report | 代理人報告 (Page 3)

速報

AmanMCP：零設定本地 RAG 與向量搜尋利器

在開源社群中登場的 AmanMCP，是一個以本地化 RAG（Retrieval-Augmented Generation）為目標的工具，強調零設定與隱私優先。專案結合傳統 BM25 檢索與向量搜尋技術，採用 HNSW 索引與 hybrid-search 策略，並利用 tree-sitter 處理程式碼語法結構，支援多種模型介接選項。

深度分析

SaFE-Scale 實驗：RadSaFE-200 評估下臨床 LLM 的安全與準確度脫鉤

醫療大語言模型通常以放大模型、延長語境或檢索來提升準確。本文以 SaFE-Scale 框架與 RadSaFE-200 評測不同部署條件，逐一比較乾淨證據、衝突證據、標準與代理式 RAG 等做法，發現只有高品質臨床證據能同時改善準確與安全，其他擴增手段無法取代。

深度分析

RAG 醫療聊天機器人洩露風險：向量資料庫、API 配置與病患資料外洩實證

本文改寫自一項匿名安全評估，檢視一個公開可訪問的病患面向 RAG（檢索增強生成）醫療聊天機器人。研究採取非破壞性的兩階段方法，先以大型語言模型輔助探索可能漏洞，再用瀏覽器開發者工具逐項驗證。結果揭示系統透過瀏覽器可讀的客戶端–伺服器通訊洩露大量敏感設定與紀錄，包括完整 RAG 配置、知識庫內容與最近存檔的病患對話。

速報

SmartCall-Agent：以RAG與即時語音驅動的外呼AI平臺

GitHub上出現SmartCall-Agent，一個聚焦語音外呼的模組化AI平臺。專案把檢索增強生成（RAG）與語音處理鏈結合，包含自動語音辨識（ASR）、大模型回應、文字轉語音（TTS），並接入LiveKit做即時通話、Plivo等電信介面，以及向量資料庫與JWT驗證。

深度分析

NVIDIA Nemotron 領域嵌入模型微調完整實作：一天內提升 RAG 效能

企業在建置檢索增強生成系統時，常因通用嵌入模型無法捕捉專業文件細節而受阻。NVIDIA提供以單張GPU、不到一天完成的Nemotron領域微調流程，透過自動合成問答與硬負例挖掘，將Recall@60提升至95%。此技術可縮短開發週期並降低標記成本，對企業AI部署產生顯著效益。

大型語言模型

Awesome-AI-Memory：LLM 長期記憶與外部記憶系統的開源聚合資源

Awesome-AI-Memory 是一個以 Apache‑2.0 授權釋出的開源資源庫，專門彙整與大型語言模型（LLM）記憶相關的最新研究、工具與實作案例。隨著 LLM 受限於上下文窗口長度，外部持久記憶成為突破短期記憶瓶頸的關鍵技術。

深度分析

LlamaIndex 聚焦語境與模組化：RAG 框架進入 AI 自動化時代

開發者過去依賴索引層、查詢引擎等腳手架建構LLM應用，LlamaIndex CEO Jerry Liu認為模型已能自行處理大量非結構化資料，框架需求縮減，語境解析與模組化成為新核心，業界必須調整堆疊策略。同時MCP與ClaudeAgentSkills讓模型即時發現並使用工具，降低整合成本。

深度分析

本地開源 Llama3.1 70B 透過提示工程與 RAG 提升 Linux 權限提升成功率至 83%

近年來大型語言模型（LLM）在自動化滲透測試領域展現潛力，尤其在雲端模型因安全、隱私與主權問題受到限制。研究以本地部署的開源 LLM 為目標，針對 Linux 權限提升任務進行系統化實驗，提出五項提升技巧，包括鏈式思考、檢索增強、結構化提示、歷史壓縮與反思分析，並整合於 hackingBuddyGPT 框架。