ข้ามไปที่เนื้อหา
เฉพาะ จากต้นทาง#RAG
วันนี้13 พฤศจิกายนวันศุกร์4 รายการ
  1. OpenRouter Announcements58

    OpenRouter ทดสอบ reranker 11 ตัวบนชุดทดสอบ RAG 274 คำถาม

    OpenRouter ทดสอบ reranker 11 ตัวบนชุดข้อมูล RAG สังเคราะห์ 274 คำถาม และพบว่าการ rerank ผู้สมัคร 30 อันดับแรกจาก vector search ด้วย voyageai/rerank-3-lite ช่วยเพิ่ม precision@1 จาก 81.0% เป็น 97.1% ด้วยต้นทุนประมาณ $0.10 ต่อ 1,000 คำถาม คู่มือแนะนำให้ดึงข้อมูลประมาณ 30 chunks แล้ว rerank จากนั้นส่งเฉพาะ 3 อันดับแรกให้ LLM ซึ่งในการทดสอบช่วยเพิ่มความแม่นยำของคำตอบเป็น 99.3% พร้อมลดต้นทุนการตอบจาก $0.22 เหลือ $0.16 ต่อ 1,000 คำถาม นอกจากนี้ยังชี้ให้เห็นโหมดความล้มเหลว: การละเว้นพารามิเตอร์ input_type ทำให้ precision@1 ลดลง 7 ถึง 12 คะแนน และ cohere/rerank-v3.5 เพิกเฉยต่อเนื้อหาที่เกินขีดจำกัด 4,096 โทเคนโดยไม่แจ้งเตือน

  2. AWS Machine Learning Blog40

    Natera สร้าง SWARM ระบบ AI แบบเอเจนต์สำหรับปฏิบัติการแล็บบน Amazon Bedrock AgentCore ได้อย่างไร

    Natera สร้าง SWARM ระบบ AI แบบเอเจนต์สำหรับปฏิบัติการแล็บ บน Amazon Bedrock AgentCore ลดเวลาตอบสนองครั้งแรกได้ราว 130 เท่า และAutomateตั๋วสนับสนุนได้ 96.2 เปอร์เซ็นต์ ระบบนี้จับคู่ swarm-agent ที่ร่างรายงานวินิจฉัยก่อนที่วิศวกรจะเปิดตั๋ว กับ swarm-hive สำหรับการโต้ตอบกับวิศวกรแบบเรียลไทม์ ทั้งสองใช้ไลบรารีทักษะร่วมกันหนึ่งชุด ระบบจัดการตั๋ว Jira กว่า 65 ใบต่อวันในสามคิว ซึ่งก่อนหน้านี้ใช้เวลาเฉลี่ย 17.4 ชั่วโมงในการตอบสนองครั้งแรก

  3. AWS Machine Learning Blog40

    AWS เปิดแคตตาล็อกสินทรัพย์ Generative AI แบบใช้ซ้ำได้ 23 รายการจาก Innovation Center

    AWS ได้เผยแพร่แคตตาล็อกสินทรัพย์ Generative AI แบบโอเพนซอร์สที่พร้อมใช้งานจริงจำนวน 23 รายการจาก Generative AI Innovation Center ซึ่งปัจจุบันเป็นส่วนหนึ่งของ AWS Frontier AI Engineering & Services บล็อกพื้นฐานเหล่านี้ครอบคลุมไปป์ไลน์ RAG ตัวประมวลผลเอกสาร โครงสร้างเอเจนต์ และเฟรมเวิร์กการประเมินผล และ AWS ระบุว่าสามารถลดระยะเวลาการพัฒนาจากหลายเดือนเหลือหลายสัปดาห์ DoorDash รายงานว่าความสามารถในการทดสอบเพิ่มขึ้น 50 เท่า และ Ricoh รายงานว่าปริมาณงานเพิ่มขึ้น 7 เท่าหลังจากสร้างบนสินทรัพย์เหล่านี้

  4. AWS Machine Learning Blog34

    การย้ายไปยัง Amazon Bedrock Managed Knowledge Base ด้วย coding agent

    AWS เพิ่มคู่มือการย้ายฐานความรู้ไปยัง amazon-bedrock skill ใน Agent Toolkit for AWS ทำให้ coding agent สามารถวางแผนการย้ายจากฐานความรู้ที่ลูกค้าจัดการเองไปยัง Amazon Bedrock Managed Knowledge Base โดย agent จะเริ่มจากการค้นหาแบบอ่านอย่างเดียวและแผนที่ผ่านการตรวจทานทีละบรรทัด จากนั้นสร้างฐานความรู้และแหล่งข้อมูลใหม่เคียงข้างของเดิม หรือเขียนเทมเพลต IaC ที่ย้ายแล้ว Managed Knowledge Base เพิ่มโควตาเริ่มต้นเป็น 200 แหล่งข้อมูลต่อฐานความรู้ และ 10,000 ฐานความรู้ต่อบัญชีต่อ Region และเพิ่มการดึงข้อมูลแบบ agentic การผสานรวม AgentCore Gateway และนโยบายตามทรัพยากร

11 พฤศจิกายนวันพุธ
  1. Hugging Face Blog41

    การฝึกแบบ Pooling-Aware สำหรับโมเดล Multi-Vector Embedding ด้วย Sentence Transformers

    Hugging Face แสดงให้เห็นว่าการฝึกแบบ pooling-aware ช่วยยกระดับคุณภาพการดึงข้อมูลของโมเดล multi-vector embedding ภายใต้งบประมาณการจัดเก็บคงที่ ด้วย pool_factor=4 โมเดลที่ฝึกตามปกติยังคงรักษา 94.6% ของ NanoBEIR nDCG@10 แบบไม่ pooled ขณะที่ลดเวกเตอร์เอกสารลง 4 เท่า และการฝึกแบบ pooling-aware ช่วยเพิ่มอัตราการรักษานั้นเป็น 97.8% โพสต์นี้อธิบาย HierarchicalTokenPooling การปรับเทียบงบประมาณ และตัวอย่าง Sentence Transformers ที่ทำซ้ำได้

  2. LangChain Blog58

    LangChain อธิบายเทคนิคการดึงข้อมูลสำหรับวิศวกรรมบริบทของ AI agent

    LangChain เผยแพร่บล็อกโพสต์เกี่ยวกับการออกแบบการดึงข้อมูลที่ส่งผลต่อวิศวกรรมบริบทสำหรับ AI agent โดยยกตัวอย่าง agent วิเคราะห์การแข่งขันที่สร้างบน Deep Agents harness ของบริษัท โพสต์กล่าวถึงโหมดความล้มเหลวสามประการ ได้แก่ การค้นหาที่ไม่มีประสิทธิภาพ การโหลดบริบทมากเกินไปในครั้งเดียว และผลลัพธ์ที่ไม่เกี่ยวข้องหรือล้าสมัย พร้อมจับคู่แต่ละโหมดกับเทคนิค เช่น เครื่องมือไฟล์ระบบ glob และ grep การแบ่งหน้าอ่านไฟล์ขนาดใหญ่ด้วย read_file offsets การย้ายผลลัพธ์เครื่องมือที่ใหญ่เกินไปไปยังไฟล์ และการมอบหมายการอ่านให้ subagent ภายใต้รูปแบบ retrieve, offload, delegate นอกจากนี้ยังเตือนว่าข้อความที่ดึงมาเป็นข้อมูลไม่ใช่คำสั่ง และอาจมีการฉีดพรอมต์ได้ จึงควรตรวจสอบผลลัพธ์เทียบกับแหล่งอ้างอิง

5 พฤศจิกายนวันพฤหัสบดี
  1. Apple Machine Learning Research38

    ฟังก์ชันสนับสนุนที่เรียนรู้ของ Apple เร่งความเร็วการดึงข้อมูล RAG

    นักวิจัยของ Apple นำเสนอ "Amortizing Maximum Inner Product Search with Learned Support Functions" ที่ ICML 2026 โดยฝึกโครงข่ายประสาทเทียมขนาดเล็กแบบออฟไลน์เพื่อกำหนดเส้นทางคำค้นไปยังคีย์ที่ตรงที่สุดได้เร็วขึ้น SupportNet เรียนรู้ฟังก์ชันสนับสนุนผ่านโครงข่ายประสาทเทียมแบบนูนเชิงอินพุต (ICNNs) เพื่อปรับปรุงการกำหนดเส้นทางคลัสเตอร์ ขณะที่ KeyNet ส่งออกเวกเตอร์คีย์ที่ตรงที่สุดโดยตรง โดยคงความสมเหตุสมผลเชิงเรขาคณิตด้วยฟังก์ชันความสูญเสียความสอดคล้องจากทฤษฎีบทของออยเลอร์ ทั้งสองได้รับการฝึกบนการกระจายคำค้นจริง แลกเปลี่ยนต้นทุนการตัดจำหน่ายล่วงหน้าสำหรับการดึงข้อมูลที่เร็วและแม่นยำขึ้นในเวลาอนุมาน

26 ตุลาคมวันจันทร์
  1. Mastra Blog40

    Mastra เปิด Knowledge สมองบริษัทแบบโฮสต์เองสำหรับ AI agents ให้พาร์ทเนอร์ออกแบบเพิ่มอีกแปดราย

    Mastra กำลังเปิดบริการ Knowledge ซึ่งเป็นชั้นบริบททั่วทั้งบริษัทแบบโฮสต์เองสำหรับ AI agents ให้พาร์ทเนอร์ออกแบบเพิ่มอีกแปดรายตามลำดับก่อนหลัง Knowledge เชื่อมต่อระบบอย่าง Slack และ Monday รักษาความเป็นปัจจุบันของตัวเอง และรองรับฐานความรู้แยกตามฟังก์ชันพร้อมสิทธิ์ในระดับบุคคล ทีม และองค์กร Mastra กล่าวว่าการเชื่อมกราฟความรู้ทั่วทั้งบริษัทเข้ากับ coding agents ของตนทำให้คุณภาพโค้ดที่ส่งมอบดีขึ้นอย่างเห็นได้ชัด