Dropbox开发了一种新系统，结合模型上下文协议和大型语言模型，自动检索代码审查中的相关安全威胁模型。这一系统解决了安全要求与代码实现之间的脱节问题，确保安全要求在开发过程中始终可见。分析显示，只有12%的代码变更与原始设计审查相关联，且实现通常延迟数周。该系统旨在提高安全审查的有效性，确保安全决策得到遵循。

Spotify开发了一款AI数据助手，用户可以用简单英语提问，助手生成SQL查询并返回答案。该助手已被2100多名用户广泛使用，确保答案的可靠性和上下文准确性。系统持续监测数据健康状况，帮助优化数据查询效率。

Redis Iris 提供实时上下文管理，优化大语言模型（LLM）的性能。通过精简上下文窗口，减少不必要的令牌使用，降低成本并提高推理质量。使用 LangCache 进行语义缓存，显著降低推理费用，Redis 的快速存储确保上下文检索高效，适用于多种应用场景。

本文讨论了上下文质量对大型语言模型（LLM）代理性能的重要性。良好的上下文应具备相关性、准确性和结构性，而不良上下文会导致错误答案。研究表明，噪声和过量信息会显著降低模型准确性。为提高上下文质量，需优化检索过程，采用混合检索和重新排序技术，以确保信息新鲜、精准。Redis Iris被设计为实时上下文引擎，结合检索、记忆和数据集成，旨在提升AI代理的上下文质量。

Mnemo是为大语言模型设计的本地优先长期记忆层，旨在解决AI每次会话忘记上下文的问题。它通过构建知识图谱存储历史对话和信息，帮助AI在后续提问中自动召回相关内容。Mnemo不仅存储聊天记录，还能拆解知识点并建立关系网，使AI更智能地回答问题，适用于AI Agent、编程助手和私人知识库等场景。

文章讨论了AI推理模型在生产环境中的局限性，强调上下文质量对AI系统可靠性的重要性。尽管推理模型在多步骤逻辑和数学问题上表现较好，但在上下文不佳时仍无法解决所有问题。Redis提供实时数据平台，以优化上下文检索和存储，从而提升AI系统的性能和可靠性。

文章讨论了AI代理中的语义层和上下文层的重要性。语义层提供统一的业务指标定义，但无法满足代理在推理时对实时数据和上下文的需求。上下文层管理代理的信息访问，确保获取最新、相关的信息。Redis作为实时数据平台，结合向量搜索、语义缓存和代理记忆，提供高效的上下文基础设施，支持AI代理的运行。

微软在Build 2026开发者大会上推出了Microsoft Fabric，旨在解决企业AI中的数据上下文问题。新平台包括HorizonDB数据库、GPU加速的数据仓库和语义层，提升数据处理能力。HorizonDB支持高达128TB的弹性存储，集成AI应用功能，简化开发流程。GPU加速使查询速度提高至5倍以上，满足企业对低延迟性能的需求。Fabric IQ语义层增强了企业代理的上下文理解，支持实时数据监控和业务逻辑执行，为企业AI提供了统一的数据基础和部署平台。

Databricks推出了查询标签功能，允许用户为每个SQL执行添加自定义业务上下文，以便追踪和分析查询。通过自动标记，用户可以识别查询来源、成本中心和项目，从而提高数据监控和成本分配的效率。该功能已在公共预览中推出，支持多种工具和应用，用户只需简单设置即可使用。

文章讨论了企业AI系统中上下文的重要性，指出许多AI失败源于上下文缺失，而非模型本身。有效的上下文层能确保AI在推理时使用最新、相关的数据。Redis提供快速的数据访问和实时上下文引擎，帮助企业解决上下文问题，提高AI系统的实用性和响应速度。

本文讨论了在检索增强生成（RAG）管道中，向量检索与上下文图的结合使用。向量检索在简单问题上表现良好，但在复杂问题上不足。上下文图通过结构化知识为实体和关系，能更有效地连接相关信息。双通道检索架构结合了两者的优点，提高了检索的准确性和效率。Redis提供了支持这一架构的工具，适用于构建上下文感知的AI基础设施。

构建RAG系统时，常见问题是LLM返回错误答案或缺乏上下文。传统RAG方法通过固定大小分块处理文档，导致上下文丢失。上下文检索通过保留块之间的关系和语义来解决这一问题。有效的块划分应基于文档结构，使用上下文嵌入和混合检索方法可以显著提高检索准确性，确保高质量输出。

本文介绍了为长时间运行的人工智能代理构建上下文修剪管道，以高效管理对话记忆。讨论了无界对话历史对大型语言模型的影响，并利用句子嵌入模型计算当前提示与历史对话的语义相似性。通过选择最近的对话和最相关的历史记录，构建精简的上下文窗口，从而节省计算资源和内存，提高效率。

文章讨论了在组织中推广AI代理时的挑战，包括安全性、工具过载和基本问题回答能力。提出了“上下文湖”概念，作为AI代理与工具之间的知识层，帮助代理理解组织的术语和业务上下文，从而提供一致、准确的答案，提升AI代理在复杂环境中的智能和效率。

文章讨论了上下文管理在生产AI系统中的重要性，强调上下文编排在提高代理可靠性方面的作用。传统的检索增强生成方法存在局限，无法及时获取所需数据。上下文编排通过动态组装和检索信息，确保模型在需要时获得正确数据。Redis Iris作为上下文引擎，结合向量搜索、语义缓存和实时数据集成，提升了AI代理的性能和效率。

文章讨论了上下文压缩在长时间任务中的重要性，指出随着会话历史的增加，代理可能会遗忘之前的信息，导致性能下降。上下文压缩通过将会话内容浓缩为结构化表示，帮助代理在保持性能的同时继续工作。文章介绍了可逆压缩和有损摘要等不同压缩策略，并强调了Redis Iris在实时上下文管理中的作用，提供高效的内存、检索和数据集成解决方案。

本文介绍了如何使用Python构建上下文感知的语义搜索引擎，结合嵌入式相似性和结构化元数据过滤。内容涵盖句子嵌入和余弦相似度的原理，构建元数据感知的搜索索引，以及索引的持久化方法。这些技术能够有效找到与用户查询相关的文档，同时考虑上下文约束。

Redis Iris 是一个实时上下文引擎，旨在提升 AI 代理的性能。它整合了检索、记忆、缓存和数据新鲜度，确保代理在需要时获取正确的信息。通过统一的上下文层，Redis Iris 解决了传统系统中的数据不一致和上下文失效问题，使代理更高效地处理用户请求。

Databricks推出了首个专注于上下文工程的认证，旨在评估个人在设计和管理AI系统信息方面的能力。该认证涵盖有效提示、检索系统配置、记忆架构设计和数据治理等关键领域，帮助专业人士构建可靠的上下文感知AI系统。