长时记忆使AI代理能够在会话间保持信息，克服无状态响应的局限。文章探讨了长时记忆的架构，包括将原始文本转化为可检索知识的方法，以及在准确性、延迟和成本之间的权衡。Redis提供了实时数据平台，支持短期和长期记忆的管理，助力构建更智能的代理系统。

香港大学数据智能实验室推出的开源学习助手DeepTutor，旨在解决学习者在知识获取和研究中的痛点。该平台结合多智能体架构与知识检索，支持自然语言交互，提供文档问答、可视化学习和习题生成等功能，帮助用户高效学习和研究。

UltraRAG是一个基于模型上下文协议（MCP）架构的低代码检索增强生成框架，提供可视化开发工具，支持模块化的检索、生成和评估，适用于RAG研究、企业文档问答和知识检索系统。

双十一大促期间，代码评审面临效率与质量的挑战。传统评审模式效率低，AI工具误报率高。为此，商家导入研发组探索双RAG架构，结合知识检索与AI评审，提升代码评审的准确性和效率。通过识别项目类型和智能分块处理，系统能更好地理解代码上下文，预防潜在缺陷。

DeepSeek发布论文《条件记忆》，提出将“条件记忆”作为大语言模型的新稀疏维度，以解决知识检索的低效问题。研究表明，结合条件记忆与混合专家（MoE）可显著提升模型性能，特别是在知识推理和代码生成方面。预计新模型DeepSeek V4将应用此技术，进一步增强AI竞争力。

DeepTutor是香港大学数据智能实验室开发的个性化学习系统，支持知识检索、理解、练习和评估。它结合了检索增强生成、知识图谱和多智能体协作推理，提供文档级问答、自动练习生成和互动可视化学习，适用于大学教学和自学。系统基于Python/FastAPI和Next.js，支持Docker部署。

知识检索（RAG）增强了大语言模型（LLM）的能力，使其能够实时访问外部信息，克服静态训练数据的局限。RAG通过检索相关信息并整合到生成的响应中，提高了准确性和可信度，广泛应用于企业搜索和客户支持等领域。

MongoDB与LangChainGo的集成简化了基于大型语言模型的Go应用开发，利用MongoDB的向量数据库实现高效知识检索和实时AI工作流，帮助开发者构建AI解决方案。

本文探讨了GraphRAG技术在检索增强生成（RAG）中的应用，强调其通过图数据库提升知识检索效率，克服传统RAG的局限性。Fusion GraphRAG结合智能文档处理和多层次知识索引，显著增强了复杂任务的处理能力，推动了企业级应用的发展。

Onyx通过AI助手提升企业数据生产力，利用LangGraph分解复杂问题并优化知识检索，支持多源文档连接，帮助用户快速获取信息，提高工作效率。

该系统由多个模块组成：意图理解模块识别用户意图，文档解析模块处理不同格式的文档，文档索引模块创建向量索引以便快速检索。向量嵌入模块将内容转化为向量，知识检索模块根据相似度进行检索，重排序模块优化文档顺序，最后，大模型回答模块生成准确回答。