跨国深谈← 返回←RAG

集里怎么说它

• 《AEO实战指南：如何让产品出现在ChatGPT答案里》(20:24起):本集说 RAG（检索增强生成）基本上就是先做一次搜索、再总结搜索结果；AEO 优化的是 RAG 这一层，不是模型的训练数据，意味着今天做了优化明天就能看到效果
• 《Chip Huyen：别追 AI 新闻了，真正提升 AI 产品的是这些事》(01:56起):本集说它是检索增强生成,为模型提供相关外部上下文来辅助回答;决定答案纯质量的最大因素是数据准备,而非纠结用什么向量数据库
• 《用 Markdown 组建一支军队:Y Combinator 掌门人的 AI 原生公司蓝图》(12:57起):本集提及它(检索增强生成),并指出虽然检索是其原语,但最难的部分在于让知识库里的内容「值得被检索」
• 《桥水内部版 AI 分析师 PAT:把数小时研究压到几分钟》(11:30起):本集把它说成：一种传统的搜索技术；指出只靠 RAG 和重排序，查结构化时间序列数据的准确率只有 50%，必须增加类人推理检查才能拉到 90%。
• 《个人 AGI：用 Markdown 组建你自己的劳动力》(34:26起):本集在回应’这只是 RAG 吗’的异议时说检索是原语不是产品，困难的部分是周围的一切
• 《Lindy 创始人谈 AI 员工的上下文战争：从红黑树到”走去洗车”》(11:37起):Flo 对 RAG 相当看空，认为它不如智能体管理方式，因为记忆智能体有元记忆、能逐渐学会哪些信息源重要
• 《数据库60年 vs 智能体18个月：MongoDB 谈检索与记忆》(00:41起):本集说它经历了「被迫用→RAG 已死→重新成为企业重大优先事项」的循环，核心用途是把专有数据安全注入只在公开数据上训练的 LLM。
• 《把 100 万 token 用出 5 万的体验：SubQuadratic 的稀疏注意力》(00:29起):本集讨论『RAG 是否终结』:Alex 认为说法太极端,是改造而非淘汰——有了便宜长上下文可以用跨多页大块、取前 50 条、20 路并行搜索,不必再把一切压缩进 10 万 token。
• 《差距不再是智能，而是上下文：给智能体造一个「上下文引擎」》(11:32起):本集说 RAG 是了不起的技术,但单独答不了「过去一周我参与过哪些关于鉴权的开放 PR」这类关系型问题,需要让智能体发现 schema 并确定性查询来补

② 出现在这些集

9 集

• 《AEO实战指南：如何让产品出现在ChatGPT答案里》 — 作为概念
• 《Chip Huyen：别追 AI 新闻了，真正提升 AI 产品的是这些事》 — 作为概念
• 《用 Markdown 组建一支军队:Y Combinator 掌门人的 AI 原生公司蓝图》 — 作为概念
• 《桥水内部版 AI 分析师 PAT:把数小时研究压到几分钟》 — 作为概念
• 《个人 AGI：用 Markdown 组建你自己的劳动力》 — 作为概念(提及)
• 《Lindy 创始人谈 AI 员工的上下文战争：从红黑树到”走去洗车”》 — 作为概念
• 《数据库60年 vs 智能体18个月：MongoDB 谈检索与记忆》 — 作为概念
• 《把 100 万 token 用出 5 万的体验：SubQuadratic 的稀疏注意力》 — 作为概念
• 《差距不再是智能，而是上下文：给智能体造一个「上下文引擎」》 — 作为概念

③ 关联

点进去有真内容 —— 本页主要出口

智能体 · 上下文工程 · Anthropic · Lenny · 后训练 · Garry Tan · Claude Code · 上下文 · Nathan · MCP