swyx@swyxAI 评分1515

swyx 称数据工程师比 AI 工程师更抢手，认为"RAG guy"与《数据密集型应用系统设计》型人才之间的需求差距是他职业生涯中最大的。他正在为 Latent Space 招聘，偏好旧金山、可搬迁、支持签证，简历投至 jobs@latent.space。

MAD Podcast：向量数据库“只是一个索引”

MAD Podcast 新一期节目中，Andy Pavlo 提出向量数据库“只是一个索引”。该期节目围绕这一观点展开讨论。

Chroma CTO 谈 ChromaDB、Context Rot 与智能体检索

Chroma 发布 20 亿参数的检索子智能体 Context One，称其智能体搜索质量达到前沿模型水平，成本低一个数量级、速度更快。Chroma 以同名开源数据库著称，此前还发布 Context Rot 论文，记录模型性能随上下文窗口利用率上升而下降。CTO Hammad Bashir 在播客中讨论了 ChromaDB 的起源、智能体检索对基础设施的要求以及公司开源路线。

如何在 AI 搜索中被发现：Discovered Labs 谈从 SEO 到 AI 可见性

Discovered Labs 联合创始人 Liam Dunne 和 Ben Moore 在 Practical AI 播客中讨论品牌如何从传统 SEO 转向 AI 搜索可见性。

Pinecone 推出 Nexus：用预计算上下文超越 RAG

Pinecone 团队开发了知识引擎 Nexus，将上下文重构为预计算的一等资产，而非查询时临时拼装，思路借鉴数据库的物化视图，把上下文一次性整理为带 schema、元数据、权限和血缘的版本化产物。

MongoDB 的 Pete Johnson 谈检索如何驱动 Agent 性能：写入、变更、召回与遗忘

MongoDB 的 AI 领域 CTO Pete Johnson 在播客中讨论 Agent 记忆这一尚未解决的问题，并回顾了从 SQL 关系模型到 NoSQL 的数据库架构演变。他谈到上下文分块（contextualized chunking）的取舍、检索质量阈值，以及 Agent 记忆系统的设计。节目还涉及 MongoDB 收购 Voyage 的策略和企业 AI 部署。

Engram 联创 Dan Biderman 与 Jessy Lin：把团队知识烧进模型权重，token 消耗最高降 100 倍

Engram 联合创始人 Dan Biderman 与 Jessy Lin 正在打造一家围绕记忆与持续学习的新实验室，主张把团队知识直接烧进模型权重，而非塞进上下文窗口或外挂 RAG，从而在 token 消耗最高减少 100 倍的情况下追平甚至超越前沿模型。

RAG 已死？Sphere 工程负责人谈税法 AI 系统 TRAM 的构建经验

Sphere 工程负责人 Alex Bowcut 在播客中表示，RAG 在高风险领域仍不可或缺，其团队构建的生产级 AI 系统 TRAM 结合了检索、推理模型、法律审查流程、强化学习与确定性系统，帮助税务专家提速近两个数量级并保持准确性。该系统需处理全球各司法辖区的法律与监管文档，并确保每个结论都有正确的法律引证支撑。

Vespa AI 如何突破向量搜索的局限

Vespa 软件工程师 Radu Gheorghe 在播客中讨论了单一向量相似度评分在生产环境中的不足，以及 Vespa 基于张量的检索如何通过更丰富的数学运算和排序函数突破这一限制。他还谈及分块与多阶段重排序架构的权衡，以及 AI 搜索的未来走向。

Redis 的 Simba Khadder 谈如何用上下文引擎解锁 Agentic AI 的数据层

Redis 正以"上下文引擎"架构管理 AI 智能体的上下文，围绕按需检索、数据始终最新、快速检索和可持续改进的记忆层四大支柱构建。其做法是为数据建立带语义层的物化视图，而非让智能体直接访问生产数据库，并辅以异步提取与压缩的记忆系统。Redis AI 战略负责人 Simba Khadder 在播客中讨论了上下文为何成为 Agentic AI 的核心挑战，以及上下文引擎与传统 RAG 架构的区别。

Google DeepMind 的 RAG 系统：与 Animesh Chatterji 和 Ivan Solovyev 谈 File Search Tool

Google DeepMind 推出 File Search Tool，一个直接内置于 Gemini API 的全托管 RAG 系统，开发者上传文档、代码等文本数据后自动生成嵌入向量并查询知识库。两位参与者 Animesh Chatterji 与 Ivan Solovyev 在播客中讨论了 RAG 的演进、简洁性与定价透明度的价值、嵌入模型对检索质量的提升，以及可配置性与易用性之间的取舍。

我们都在做 RAG，接下来呢？

播客嘉宾 Rajiv Shah 回顾了一年构建 RAG 管线和集成推理模型的经验，探讨为何大量 AI 试点项目受挫，并强调评估与错误分析仍是数据科学的核心技能。他指出，并非所有企业难题都需要大语言模型来解决。

RAG 风险：检索增强 LLM 为何并不更安全——Sebastian Gehrmann 访谈 #732

Bloomberg CTO 办公室负责任 AI 负责人 Sebastian Gehrmann 指出，RAG 可能反而降低模型安全性，并会输出不安全内容。他介绍了针对金融服务等高风险领域的安全评估方法与行业专属安全分类体系，以及 Bloomberg 的多层缓解策略，并强调治理与监管框架、提示词工程在提升安全性中的作用。

CTIBench：用真实网络威胁情报任务评测 LLM，专访 Nidhi Rastogi

罗切斯特理工学院助理教授 Nidhi Rastogi 发布 CTIBench，一个面向真实网络威胁情报（CTI）任务的大语言模型评测基准，用于衡量 LLM 完成网络安全分析师实际工作的能力。她指出 RAG 等技术对让 LLM 跟上新兴威胁至关重要，并分享了多项 LLM 的评测结果，以及基准在暴露模型局限与盲区上的作用。

Chroma 研究员 Kelly Hong 谈生成式基准测试：用合成数据评估 RAG 检索系统

Chroma 研究员 Kelly Hong 提出"生成式基准测试"（Generative Benchmarking），用合成数据评估 RAG 等检索系统。该方法分两步：先筛选文档聚焦相关内容，再生成模拟真实用户行为的查询。她指出 MTEB 等传统基准无法反映真实查询模式，在公开基准上表现优异的嵌入模型在生产环境中往往表现不佳。