Weaviate

LandingAI 黑客松项目 ArthaNethra 展示了从 PDF 到可查询、可溯源、可推理的知识图谱的完整流程：上传 → ADE 提取 → 归一化 → 双库索引 → 风险检测。

研究发现，RAG系统中检索质量差是导致高流畅性幻觉（更自信但更错误）的主因，模型升级无法弥补检索缺陷。

Weaviate 1.39发布Boost API和MMR多样性选择，4-bit量化预览提升搜索性能，开源社区功能持续优化。

Weaviate提出Late Interaction RAG方法，通过多向量模型直接解析PDF图表，解决传统RAG无法提取图表信息的缺陷。

Weaviate的Query Agent现在在搜索前自动探索数据，提升过滤和搜索效率，无需手动配置。

可靠代理式RAG需控制信息到达模型的方式，而非单纯优化提示词。Weaviate提出上下文工程的五大系统框架。

RAG技术因文本转换瓶颈限制多模态能力，Weaviate联合Gemini Embedding 2实现原生多模态向量嵌入。

Weaviate 1.39发布，新增Boost API、MMR多样性选择等特性，优化搜索与存储效率。

Weaviate的Search Mode通过调整effort参数显著提升检索效果，ultrahigh级别在BRIGHT Biology基准上将nDCG@10从13.0提升至57.5。

创意工作流程在文件夹结构、标签系统和关键词搜索三个层面存在根本性失效，导致项目规模扩大后检索效率骤降。

Weaviate推出的Query Agent新增Suggest Queries模式，通过自动生成建议查询提升AI聊天界面的用户体验。

Weaviate数据库新增MCP协议支持，允许直接通过/v1/mcp端点进行操作，无需独立服务。提供四个工具实现配置查询、租户管理、混合搜索和对象操作。

Weaviate推出Search Mode的effort参数，允许用户通过调整计算资源提升搜索质量，但需权衡性能与成本。

Weaviate推出可配置召回率与精确率权衡的Query Agent搜索模式，工程师可按需选择多查询召回或单查询精确策略。

AI通过优化检索系统减少创意工作中的摩擦，而非取代创造力。文章揭示了创意行业普遍存在的文件检索困境，并提出AI驱动的解决方案。

本文展示如何使用Weaviate和Gemini模型直接处理音频，无需转录文本。通过音频分块、多模态嵌入和向量检索技术，实现音频内容的高效存储与检索。

Weaviate推出查询性能分析功能，可精准定位慢查询的瓶颈。通过per-query profiling直接返回各阶段耗时，无需重启或等待查询变慢。

Weaviate 的 Engram 系统通过异步流水线实现多代理记忆管理，支持无阻塞学习与去重。

增加上下文窗口无法解决agentic RAG管道问题，核心在于上下文工程。长上下文会引入矛盾信息，需通过五层系统设计控制信息流。

Engram现已正式发布，提供结构化记忆管理，解决代理系统的三大核心问题。

Weaviate Cloud 现在提供完整产品套件的免费层级，无需信用卡且无时间限制，包含数据库、Query Agent 和 Engram。

Weaviate官方博客分享了大规模数据导入和向量化实践，重点介绍服务器端批处理、错误处理及媒体处理策略，解决速率限制和批量失败问题。

Weaviate 1.38版本发布，HFresh向量索引和MCP服务器达一般可用性，提升百亿级数据处理和LLM集成能力。

Weaviate 推出查询分析功能，可实时定位慢查询耗时环节，解决传统慢查询日志的四大痛点。

Weaviate的托管版本现已在DigitalOcean上公开预览，提供基础设施管理服务。

Weaviate推出的Engram通过智能记忆管理解决AI代理学习时变笨的问题，采用异步处理实现记忆提取、冲突化解和结构化存储。

Weaviate通过交互式演示对比关键字、向量和混合搜索算法，帮助工程师直观理解不同搜索机制的差异。

Weaviate 的 Query Agent 能通过自然语言自动构建结构化查询，实现跨数据集合的实时欺诈检测。

Engram 通过主动整合记忆，避免了 AI 系统中常见的信息冗余和矛盾问题，提升上下文的准确性和清晰度。

Weaviate 1.38 版本发布，新增 HFresh 和 MCP Server 两项功能，支持大规模数据处理和 AI 集成。