为什么NVIDIA认为HybridRAG才是下一代RAG的正确形态
在这场来自NVIDIA的分享中,Mitesh Patel系统讲解了HybridRAG——一种将知识图谱与向量检索融合的RAG架构。相比单一向量检索,它更可控、更可解释,也更适合走向生产环境。
在这场来自NVIDIA的分享中,Mitesh Patel系统讲解了HybridRAG——一种将知识图谱与向量检索融合的RAG架构。相比单一向量检索,它更可控、更可解释,也更适合走向生产环境。
这场演讲从一个现实问题出发:在复杂、密集的企业知识中,单纯依赖向量检索的RAG正在失效。Sam Julien结合真实系统演进过程,讲述了他们为何转向Graph-based RAG,以及这一转折带来的方法论启示。
这场演讲中,WhyHow 的 Tom Smoker 讲述了他们如何在诉讼与法律发现中使用知识图谱与多智能体系统。核心不在于更大的模型,而在于把零散、混乱的法律文本转化为可被 AI 推理、裁剪和决策的结构化图,从而真正影响律师的判断。
在这场由Neo4j三位核心成员分享的实践演讲中,GraphRAG被视为解决RAG幻觉、相关性不足和不可解释性的关键路径。文章梳理了GraphRAG的动机、方法论、技术流程与真实演示,解释为何“向量相似≠业务相关”,以及知识图谱如何让LLM变得更可靠。
Adobe应用AI负责人Muktesh Mishra在这场分享中,系统拆解了为何“评估(Evals)”已成为AI应用的生命线,以及如何跳出准确率与相似度的局限,把Evals当作一套可规模化、可演进的工程体系来建设。
本文带你走进Chelsea Finn在Y Combinator分享的机器人学习前沿实践,从失败到突破,揭示通用机器人如何通过大规模数据、预训练与微调,逐步迈向“能做任何事”的物理智能。你将看到真实的技术难题、创业故事,以及对未来机器人行业的独到预判。
Sourcegraph CTO Beyang Liu 认为,AI 编码代理不是更聪明的 Copilot,而是一种全新的软件交互范式。他从模型演进、产品设计到真实用户行为,拆解了“如何真正用好编码代理”这项正在浮现的新技能。
这场来自 AI Engineer 的分享,直面一个正在失控的问题:当 AI Agent 不再只是聊天,而是代表用户调用 API、操作系统、执行交易,安全体系还能沿用老一套吗?Bobby 和 Cam 用真实架构、失败隐患和现场 Demo,给出了基于开放标准的答案。
这是一场面向工程师的GraphRAG入门式工作坊。演讲者没有堆砌概念,而是通过可视化、Notebook和查询演示,带观众理解GraphRAG是什么、为什么要用,以及在真实系统中如何一步步落地。
Nir Gazit用一次真实的RAG机器人优化实验,挑战了“提示工程是一门手艺”的共识。他没有手工打磨prompt,而是用评估器和Agent把效果从0.4推到0.9,给出了一条更像工程、也更可扩展的路径。