搜索
过去两年，几乎每家企业都在用 RAG 解决大模型落地的问题。把文档切块，做 Embedding，算相似度，塞进 Prompt。简单、直接、听起来无懈可击。但真正把它搬进生产环境的人都知道：RAG 远不够好。
广州智跃深空（Zleap）开源了自研的SAG2及桌面端SAG Wiki，利用BM25与JEV直接索引和检索本地文件，无需大模型预处理、Embedding或向量数据库，以极快建库、精准多跳检索和低Token消耗提供轻量本地知识库方案。
RAGFlow 1.0 以 Go 重写并公开知识编译层与 Retrieval Harness，将产品定位升级为 Agent Native 数据库，通过证据链等编译产物降低 Token 消耗并提升上下文可追溯性。
在RAG与Agent、法律以及电商等场景中，语义+关键词的混合检索已经成为越来越多搜索应用的常规配置。
前段时间，我们做了一个开源项目 Vector Graph RAG，尝试只用 Milvus 向量数据库实现知识图谱的多跳检索，省去额外部署图数据库的麻烦。
为 Agent 建记忆，花掉了上亿 Token，结果在相当一部分情况下，回答准确率甚至低于直接用RAG检索聊天记录。
DeepSeek Harness 团队发表技术文章，介绍由 Router 统筹、Worker 执行的 Super-agent 架构，支持跨会话并行、主动响应外部事件和长期在线，并已用于内部研发协作，相关原型 dsh-superagent-prototype 已开源但尚非正式产品。
近年来，3D 生成模型在几何质量和渲染效果上进步很快。从 Mesh 到 NeRF、3D Gaussian Splatting，生成一个外观完整的三维物体已经不再困难。现有不少 articulated 3D generation 工作，更多关注的是从输入中生成一整套可动 3D 资产，包括物体几何、部件划分以及关节结构。
北京时间 9 月 23 日，在 2026 骁龙峰会上，高通 CEO 克里斯蒂亚诺・安蒙（Cristiano Amon）正式介绍了高通面向 Agent 时代的战略转型。与此同时，高通发布了两款新一代旗舰手机 SoC：第六代骁龙 8 超级至尊版（Snapdragon 8 Elite Extreme Gen 6）与第六代骁龙 8 至尊版（Snapdragon 8 Elite Gen 6）。
今天分享的是一个很小的硬件产品，是一个外接“ AI 键盘”，从产品思路到设计我都很喜欢，分享给大家：Dune，https://www.projectmirage.ai/