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推出的Engram插件为Claude Code提供跨会话的长期记忆功能，提升开发效率。

Weaviate 1.39通过4位旋转量化技术实现向量搜索性能提升3.8倍，内存占用减少45%，并引入SIMD加速的FWHT转换。

Engram通过异步处理和主题描述机制，实现代理记忆的自动化管理，影响检索模式和提示位置的四个关键决策。

向量索引选择需权衡性能与内存效率，HNSW适合高吞吐场景，HFresh通过压缩技术优化内存使用。

将AI记忆视为不断增长的聊天历史会导致性能下降，Weaviate的Engram通过异步处理优化记忆管理。

Weaviate 1.39 引入 4 位旋转量化，减少内存使用并提升性能，同时保持高召回率。

Weaviate的Foundry工具通过扫描现有档案并生成可搜索的创意库，实现高效的内容检索，无需重命名或移动文件。

HFresh是Weaviate推出的基于磁盘的向量索引，通过分区和两阶段搜索策略实现低内存使用和大规模数据集的高效查询。

Weaviate通过多向量检索技术实现PDF图像级搜索，无需OCR和文本提取即可定位图表信息。

Weaviate数据库新推出的Ask Mode模式让用户可自主选择查询时的评估流程，在速度与准确性间取得平衡。

Weaviate 1.38 新增 Boost API，通过查询时重新排序解决硬过滤条件过严问题，提升搜索结果相关性。

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。