Apple 提出摊销式 MIPS 方法，用小型神经网络加速 RAG 检索
Apple 在 ICML 2026 论文中提出摊销式 MIPS 方法，针对固定键库离线训练小型神经网络，把查询路由到最佳匹配所在簇，从而加速 RAG 检索。
借鉴点
可借鉴用回归训练小网络替代质心路由的思路，SupportNet 做簇路由、KeyNet 改写查询接现有 IVF 索引，前提是查询分布稳定且需离线预计算真值样本。
#RAG
只收明天就能用得上的Apple Machine Learning精选AI 评分5858
AWS Machine Learning Blog精选AI 评分5858 用 EDB Postgres AI 与 Amazon Bedrock AgentCore 为智能体搭建语义层
AWS 与 EDB 联合发布教程，演示如何在 EDB Postgres AI 内用 AIDB 扩展构建语义知识库，让运行在 Amazon Bedrock AgentCore 上的 Strands Agents 智能体回答客户 360 问题。
借鉴点把业务语义写进 Postgres 的 COMMENT ON 和视图注释，再用 create_semantic_kb 建向量索引，可替换独立的语义层或指标目录；代价是前期要逐列补注释，且多 KB 并存时每次检索都得显式传 kb_name。
AWS Machine Learning Blog精选AI 评分6060 AWS 用 Nova Multimodal Embeddings 与 Bedrock AgentCore 搭建零件替换多智能体助手
AWS 发布教程，用 Amazon Nova Multimodal Embeddings、Amazon Bedrock AgentCore 和开源 Strands Agents SDK 搭建多智能体工程助手，把零件替换评估中的人工交叉比对改为自动汇集证据。
借鉴点能拿走一套可复用做法：planner 用 Haiku 路由、Sonnet 跑工具、Opus 只在多专家时汇总，规格判定全用 Python 确定性代码；代价是要自建多模态知识库和 S3 Vectors 索引，图片查询路径权限缺失会静默回退。
AWS Machine Learning Blog精选AI 评分5858 AWS 用 Crawl4AI 为 Amazon Bedrock Knowledge Bases 准备网页内容
AWS 发布教程，演示用开源 Python 爬虫 Crawl4AI 把网页抓取并整理成 Markdown 加 metadata sidecar 写入 S3，再由 Amazon Bedrock Knowledge Bases 的 S3 数据源完成解析、分块、嵌入和索引。
借鉴点能拿走一套 Crawl4AI 抓取加 S3 metadata sidecar 再触发 ingestion 的流水线，换掉自己写爬虫清洗网页的活；代价是 sidecar 限 10 KB、分块策略建库后改不了，失败不报警。
AWS Machine Learning Blog精选AI 评分5858 AWS 用 CDK 搭建 Amazon Bedrock 托管知识库上的智能体检索
AWS 发布教程，用单个 Python CDK 应用在 Managed Amazon Bedrock Knowledge Base 和 AgentCore 上搭建企业级智能体检索，一个 cdk deploy --all 部署四个栈。
借鉴点能拿走一套 CDK 四栈模板，把两个 Managed KB 经 AgentCore Gateway 暴露成 MCP 工具做语义路由，并带七层 CloudWatch 遥测和在线评估；代价是区域支持有限、在线评估按采样率烧 LLM 调用。
AWS Machine Learning Blog精选AI 评分5858 Bayer Crop Science 如何在 Amazon Bedrock AgentCore 上构建智能体决策引擎
Bayer Crop Science 在 Amazon Bedrock AgentCore 上构建了 Agentic Decision Engine（ADE），用 supervisor 智能体把自然语言问题路由给 22 个领域专家智能体，第一阶段约 80% 的用户问题无需工程师介入即可解决。
借鉴点可拿走五条落地做法：LangGraph 检查点写 DynamoDB、按 agent 收窄工具目录、OpenAPI 注册成 MCP 工具、稳定前缀做 prompt 缓存省 20–30% 输入 token、按任务而非 HTTP 状态做告警；前提是已有 AgentCore 与 IAM 体系。
Hugging Face Blog精选AI 评分7474 NVIDIA 发布 Nemotron 3.5 Embed、Rerank 与 Parse 检索模型
NVIDIA 扩充 Nemotron Retriever 系列，开源发布 Nemotron 3.5 Embed 8B/1B（含 NVFP4 量化）、Rerank 8B 和 631M 参数的 Parse 文档解析模型。
借鉴点能直接换掉现有 RAG 的检索段，Embed 8B/1B 加 Rerank 8B 组合可省约 14% 智能体 token，Parse 支持单双三遍推理调精度；代价是要有支持 NVFP4 的硬件，域适配还得自建合成查询和难负样本。
已经到底了