mem0
mem0 開源通用記憶層：提升 AI 代理人長期記憶效能與 Token 效率
mem0是一個開源的通用記憶層，專為AI代理人設計，提供單次呼叫的新增式記憶與實體連結功能。新演算法在LoCoMo與LongMemEval等基準測試中，Token效能提升逾20%，且延遲維持在一秒以內。此效能提升有望降低長期對話成本，促進本地化AI應用落地。
向量檢索
YAMS
為 LLM 建構本地知識庫：YAMS 的 Merkle 儲存、Rabin 分塊與 SQLite FTS5 向量檢索整合
YAMS 是一個針對大型語言模型與應用的持續性記憶系統，採用 SHA‑256 內容位址儲存並支援區塊去重與壓縮。它結合 SQLite 全文搜尋與向量嵌入檢索，提供快照與 Merkle 樹差分管理。此專案仍屬實驗階段，若成功可降低 LLM 記憶成本並提升本地部署彈性。
RAG
本地優先 RAG：AI LocalBase 結合 Qdrant、Ollama 與自托管部署
一個本地優先的RAG專案，目標把本地文件接入向量檢索與大模型對話。以Go後端、React前端、Qdrant向量庫，支援Ollama或OpenAI相容API，提供文件上傳、索引、檢索增強與會話持久化，利於本地或Docker部署供個人與小團隊自托管驗證。
DiagramBank
DiagramBank：89,422 張示意圖資料集支援示意圖設計與檢索增強生成 (RAG)
DiagramBank是一個針對學術示意圖設計而建的大規模資料集，收錄89,422張來自頂級AI/ML會議的示意圖，並將每張圖與論文標題、摘要、圖說與內文引用片段配對。資料集透過自動化管線抽取PDF中的圖像與對應上下文，並以CLIP類型過濾器分辨示意圖與其他圖表。
速報
語義解纏管線（SDP）：降低向量語義纏結、提高 RAG Top‑K 檢索精準度
研究發現，當文件在連續文字混雜多主題時，向量化會造成語義纏結。提出語義解纏管線（SDP），以四階段預處理重構文件、採情境化結構與持續回饋，目的是降低跨主題重疊並改善檢索。實驗顯示Top-K檢索精準由約32%增至約82%、Entanglement Index由0.71降到0.14。
RAGFlow
RAGFlow：將檢索增強生成（RAG）與代理人流程整合的開源工程實作
在 GitHub 值得關注的開源專案 RAGFlow 中，作者把檢索增強生成與代理人能力結合，建構一層供大型語言模型使用的上下文引擎。專案採 Python 生態與 Apache 授權，並提供線上示範與文件；此方向有助企業模組化多步查詢與工具協調，降低整合成本並提升可觀察性。
深度分析
NSFL 後訓練神經符號模糊邏輯框架提升向量檢索布林運算精度
標準密集檢索缺乏多原子邏輯運算。研究者提出 NSFL 框架，將 t‑norm 與 t‑conorm 直接映射至神經嵌入，並以 Neuro‑Symbolic Deltas 調整表示。實驗顯示 mAP 提升最高 81%，為檢索技術帶來顯著突破。