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。
向量資料庫
深度分析
AWS OpenSearch Serverless 支援 AI 代理人：計算與儲存解耦、向量搜尋按需擴展
網路長期以人類行為為設計前提，AI代理人卻帶來短時高峰與大量機機互動。AWS新版OpenSearchServerless透過計算與儲存解耦、秒級擴縮與閒置歸零的計費機制，為代理人工作負載提供即時、可計量的搜尋與向量檢索解決方案。此設計可能促進代理人大規模部署並重塑企業資料檢索模式。
深度分析
Pinterest 用 Qwen3‑VL 改造視覺層：以自有多模態向量嵌入降本 90%、準確度提升 30%
Pinterest 面對數億用戶的視覺推薦場景，工程團隊選擇不再逐張呼叫大型前沿模型，而是把 Qwen3‑VL 的視覺編碼層抽換為自有多模態向量嵌入，並將圖像與 Pin 的 metadata 做離線預計算與定期重訓。此策略一方面顯著降低雲端推理成本與延遲，另一方面提升推薦準確度與個人化效果。
aimock
aimock全方位 AI Mock 伺服器：支援 LLM、MCP 與向量資料庫測試
aimock 是一個在 GitHub 上活躍的開源專案，主打以單一套件、單一埠、零相依的方式，模擬 AI 應用在測試階段會呼叫到的各類服務。功能涵蓋 LLM API、多媒體生成、語音與影音處理、嵌入向量、向量資料庫、搜尋與重排序，以及 MCP 工具與代理間通訊（A2A）等。
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。
向量資料庫
LEANN：以圖形化按需重算與高階節點修剪實現低資源本地向量資料庫
LEANN是一個以個人裝置為目標的向量資料庫專案，主打在不犧牲檢索準確度下大幅降低儲存需求。它以圖形化的選擇性重算（graph-based selective recomputation）和高階節點保留修剪策略，改為按需計算embedding而非長期存放，藉此減少磁碟佔用並維持語意搜尋效能。
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
Langflow：以視覺化串接大型語言模型與多代理工作流程
在開源生態中，Langflow以視覺化編輯器為核心，結合可存取原始碼的自定義能力，支援主要大型語言模型與向量資料庫，提供互動式測試與多代理協作，並能匯出JSON、部署為API或MCP伺服器，搭配觀測方案協助監控，讓開發者更快整合AI工作流程到應用中。
Model Context Protocol
使用 MCP 與 LangChain、CrewAI 快速部署本地 AI 代理工作流
Anthropic 限制 Claude 後，開源社群推出新工具 Build‑Agentic‑AI‑and‑Gen‑AI‑Agents‑with‑MCP，透過 Model Context Protocol 串接 LangChain、CrewAI，提供跨平台安裝與向量資料庫支援，協助開發者快速建置 AI 代理工作流。
深度分析
混合檢索成為主流：企業為何在 RAG 擴展受限後重構檢索層
VBPulse調查指出2026年第一季企業對混合檢索的採用意願在一季內由10.3%增至33.3%。企業從單一向量檢索轉向結合稠密向量、關鍵字搜尋與重排的混合架構，以求在代理化工作負載下取得檢索精準與運行可靠性的平衡。檢索層成為企業能否在大規模代理應用維持可信度與合規性的關鍵之一。
AnythingLLM
AnythingLLM：整合本地化 RAG、向量資料庫與 AI 代理的平台
此篇介紹開源專案AnythingLLM，聚焦本地化與隱私優先的AI工作流程。專案結合檢索增強生成、向量資料庫與本地LLM，提供文件聊天、AI代理與多使用者管理。該平台聲稱降低部署門檻，對追求離線推理與資料可控的團隊具實務意義。同時社群活動活躍、文件與測試案例豐富，便於評估與導入。
RAG
All‑in‑RAG：從 Embedding 到生成的 RAG 實作與部署指引
All‑in‑RAG 是一個以 Python 為主的開源教學專案，聚焦檢索增強生成（RAG）技術，提供從理論到實作的系統化學習路徑與實例。專案整合 LangChain、llama‑index、向量資料庫等常見工具，涵蓋 embedding、多模態、知識圖譜等主題，並提供線上閱讀與範例程式。