Loading video...

Video Failed to Load

Go Home

非常非常值得一看的来自 LangChain 团队的 RAG 视频：当 LLM 的上下文足够长了就不需要 RAG 了吗？ —— RAG在长上下文大语言模型(LLM)中的应用探讨 这是Lance Martin最近在几个聚会上关于在长上下文LLM时代使用RAG的讲座。随着上下文窗口增至超过100万Token，很多人质疑RAG是否已经过时。我们结合几个最新的项目成果来分析这个问题。我们讨论了长上下文LLM在事实推理和信息检索方 面现有的限制（采用多针索引分析法），同时也探讨了上下文窗口扩展可能带来的RAG应用场景的变化，如文档中心的索引技术和RAG的流程优化。 幻灯片展示：[查看详情]( 重点参考文献： 1/ 多针索引分析，合作研究者Greg Kamradt [阅读更多]( 2/ RAPTOR研究项目，主要研究者包括Parth Sarthi [项目首页]( [视频介绍]( 3/ Dense-X / 多维数据索引技术，主要研究者Tong Chen [学术论文]( [相关博客]( 4/ 长上下文数据嵌入技术，研究者包括Jon Saad-Falcon, Dan Fu, Simran Arora [研究概览]( [技术教程]( 5/ 自适应RAG (Akari Asai等)，及C-RAG (Shi-Qi Yan等) [论文一]( [论文二](...

dotey's profile picture

宝玉

251,358 subscribers

83,379 views • 2 years ago •via X (Twitter)

Science & TechnologyNews & PoliticsEducation
LIVE

Anya Rossi• Live Now

Private livecam show

10 Comments

dnl 𝕏's profile picture
dnl 𝕏2 years ago

大约明白他最后的意思了，不要分块by chunk 而是预先让LLM总结文档，自描述文档，基于自描述的文档进行RAG

Frank's profile picture
Frank2 years ago

@readwise save thread

wwwwg's profile picture
wwwwg2 years ago

@Memdotai mem it #project #RAG

Mem's profile picture
Mem2 years ago

@dotey Saved! Here's the compiled thread:

Blessky's profile picture
Blessky2 years ago

@memdotai mem it

Mem's profile picture
Mem2 years ago

@dotey Saved! Here's the compiled thread:

Arrow's profile picture
Arrow2 years ago

@readwise save thread @SaveToNotion #thread @threadreaderapp unroll @memdotai mem it

Thread Reader App's profile picture
Thread Reader App2 years ago

@CodeVDriver @dotey @readwise @SaveToNotion @memdotai @CodeVDriver Hallo, you can read it here: Enjoy :) 🤖

zzzzzzoo00oo's profile picture
zzzzzzoo00oo2 years ago

@readwise save thread

小洋's profile picture
小洋2 years ago

@readwise save thread

Related Videos

这绝对是学生党必备的GitHub开源仓库，能一站式帮你搞定搜文献、数据分析等写论文中最麻烦的步骤，而且完全免费！ 学生党最头疼的就是写论文和做课题研究，查文献、跑代码，一搞就是两三天，特别是有些关键数据还需要付费才可以获取 而最近我在GitHub上发现了一个免费的AI科研项目，叫ScienceBuddy （PhAI Labs），专为学生和科研人员打造。你只需要在平台上上传论文和相关数据文件，并精准表达需求，ScienceBuddy就能调用Agent去专业数据库中检索文献、收集数据并运行分析代码。整个分析过程全部清晰可见，方便你随时核对 视频中，我选择了相对复杂的医学研究场景对该项目进行了简单测试，想看看它处理多篇专业论文以及梳理研究证据的能力如何。在我上传相关论文后，ScienceBuddy不仅判断了选题是否可行，还将研究方法、结论和局限整理成证据表，并总结研究共识与争议，最后生成论文提纲和摘要草稿。全程运行速度非常快，相当于直接快速完成了文献综述的前期准备 同时在此基础上，ScienceBuddy还帮我继续深入搜索其他文献，并完整生成了一篇3000字左右的论文综述，结果清晰而且写作格式十分专业，个人感觉完全可以直接用于正式论文里了。整体体验下来，我认为对学生来说该工具是非常必要的，能节省非常多的时间 另外，ScienceBuddy背后的团队也开源了ScienceIDE，其是 ScienceBuddy 的底层框架技术，现能让Agent在7个领域的真实科研代码中练习，并通过结果能否复现来验证修改是否有效，大家感兴趣也可以看看！！！ 目前项目的 ScienceBuddy 相关实验代码已经在GitHub上开源，感兴趣的同学可以去官网免费体验。不过考虑到当前仍是Preview版本，分析结果请自行核验后再用于正式研究 官网地址： GitHub仓库地址：
0:43

这绝对是学生党必备的GitHub开源仓库，能一站式帮你搞定搜文献、数据分析等写论文中最麻烦的步骤，而且完全免费！ 学生党最头疼的就是写论文和做课题研究，查文献、跑代码，一搞就是两三天，特别是有些关键数据还需要付费才可以获取 而最近我在GitHub上发现了一个免费的AI科研项目，叫ScienceBuddy （PhAI Labs），专为学生和科研人员打造。你只需要在平台上上传论文和相关数据文件，并精准表达需求，ScienceBuddy就能调用Agent去专业数据库中检索文献、收集数据并运行分析代码。整个分析过程全部清晰可见，方便你随时核对 视频中，我选择了相对复杂的医学研究场景对该项目进行了简单测试，想看看它处理多篇专业论文以及梳理研究证据的能力如何。在我上传相关论文后，ScienceBuddy不仅判断了选题是否可行，还将研究方法、结论和局限整理成证据表，并总结研究共识与争议，最后生成论文提纲和摘要草稿。全程运行速度非常快，相当于直接快速完成了文献综述的前期准备 同时在此基础上，ScienceBuddy还帮我继续深入搜索其他文献，并完整生成了一篇3000字左右的论文综述，结果清晰而且写作格式十分专业，个人感觉完全可以直接用于正式论文里了。整体体验下来，我认为对学生来说该工具是非常必要的，能节省非常多的时间 另外，ScienceBuddy背后的团队也开源了ScienceIDE，其是 ScienceBuddy 的底层框架技术，现能让Agent在7个领域的真实科研代码中练习，并通过结果能否复现来验证修改是否有效，大家感兴趣也可以看看！！！ 目前项目的 ScienceBuddy 相关实验代码已经在GitHub上开源，感兴趣的同学可以去官网免费体验。不过考虑到当前仍是Preview版本，分析结果请自行核验后再用于正式研究 官网地址： GitHub仓库地址：

Sac

41,468 views • 6 days ago

“芒格100模型”研究 X google deep research with gemini 2.5 pro：9分钟，62个英文参考资料（实际访问了数百个网站），输出2万多字中文报告，100模型实际解读13个，任务完成率13%（这不是偶然，下文详解）🤣 一句话结论：单单从”研究芒格100模型“任务看，google deep research得分不超过30（满分100）。 prompt（和openai案例完全一致）： > 大航海时代，海盗中间流传着一个传说：海贼王在大海深处埋藏着它的宝藏，找到它的海盗将获得力量、荣耀与权力。互联网上也有一个传说，charlie munger 有 100 个思维模型，掌握这 100 个思维模型的人将拥有大智慧，成为真正的聪明人。 > > 请帮我做一份研究，关于“查理芒格的 100 个思维模型”。包括这种说法的来源，100 模型的内容，以及对 100 个思维模型的每一个进行简要介绍。 > > 介绍每个思维模型时，说明它是什么，为什么重要，举个例子，应用场景。 > > 使用英文搜索，只采纳英文资料（因为互联网上英文资料在数量和质量上都是最好的），用中文回答。 我自己的思考： 1、100个模型只解读了13个，这不是偶然。我做了一个测试，让openai deep research一次性研究包含300本书的书单，o3驱动的deep research产出了史上最长的报告，覆盖了300本书，最终报告6万多字（一个推友研究NBA球队，单个球队的研究报告也到了6万多字）。但是，之前gemini 2.0 flash驱动的google deep research，5千字就糊弄教材，实际完成1/3都不到。 2、为什么gemini 2.5 pro deep research会“糊弄”？要么是指令跟随能力不行（听不懂prompt）？要么是底层模型的推理能力不行？要么是上下文窗口限制？是否还有其他可能？ 3、语言质量、报告结构上，这些没有硬性评价标准，每个人观点不同。我从这个案例中的观察是，google deep research有改善，但是确实和o3有差距； 4、context window之迷：gemini 2.5 pro有100万的上下文窗口，为什么只能产出2万字的报告？openai模型的上下文窗口是gemini的1/5，但是，产出报告的细致程度和质量为什么会更高？o1的上下文是20万，输出长度是10万；我估计o3的上下文可能是40万，输出长度可能是20万（毕竟，最终报告6万多汉字，加上中间的思维过程）。 初步个人结论：gemini 2.5 pro口碑这么好，deep research 应该是能用的（毕竟我只测试了一个极端的研究案例，后续我会从我的200多个openai deep research案例中精选出来对比测试）。但是，“一分价钱一分货”的道理目前仍然成立。 google 和openai 报告全文 link 在评论区。👇
2:06

“芒格100模型”研究 X google deep research with gemini 2.5 pro：9分钟，62个英文参考资料（实际访问了数百个网站），输出2万多字中文报告，100模型实际解读13个，任务完成率13%（这不是偶然，下文详解）🤣 一句话结论：单单从”研究芒格100模型“任务看，google deep research得分不超过30（满分100）。 prompt（和openai案例完全一致）： > 大航海时代，海盗中间流传着一个传说：海贼王在大海深处埋藏着它的宝藏，找到它的海盗将获得力量、荣耀与权力。互联网上也有一个传说，charlie munger 有 100 个思维模型，掌握这 100 个思维模型的人将拥有大智慧，成为真正的聪明人。 > > 请帮我做一份研究，关于“查理芒格的 100 个思维模型”。包括这种说法的来源，100 模型的内容，以及对 100 个思维模型的每一个进行简要介绍。 > > 介绍每个思维模型时，说明它是什么，为什么重要，举个例子，应用场景。 > > 使用英文搜索，只采纳英文资料（因为互联网上英文资料在数量和质量上都是最好的），用中文回答。 我自己的思考： 1、100个模型只解读了13个，这不是偶然。我做了一个测试，让openai deep research一次性研究包含300本书的书单，o3驱动的deep research产出了史上最长的报告，覆盖了300本书，最终报告6万多字（一个推友研究NBA球队，单个球队的研究报告也到了6万多字）。但是，之前gemini 2.0 flash驱动的google deep research，5千字就糊弄教材，实际完成1/3都不到。 2、为什么gemini 2.5 pro deep research会“糊弄”？要么是指令跟随能力不行（听不懂prompt）？要么是底层模型的推理能力不行？要么是上下文窗口限制？是否还有其他可能？ 3、语言质量、报告结构上，这些没有硬性评价标准，每个人观点不同。我从这个案例中的观察是，google deep research有改善，但是确实和o3有差距； 4、context window之迷：gemini 2.5 pro有100万的上下文窗口，为什么只能产出2万字的报告？openai模型的上下文窗口是gemini的1/5，但是，产出报告的细致程度和质量为什么会更高？o1的上下文是20万，输出长度是10万；我估计o3的上下文可能是40万，输出长度可能是20万（毕竟，最终报告6万多汉字，加上中间的思维过程）。 初步个人结论：gemini 2.5 pro口碑这么好，deep research 应该是能用的（毕竟我只测试了一个极端的研究案例，后续我会从我的200多个openai deep research案例中精选出来对比测试）。但是，“一分价钱一分货”的道理目前仍然成立。 google 和openai 报告全文 link 在评论区。👇

howie.serious

96,912 views • 1 year ago

REFRAG：Make RAG Great Again Meta 超级智能实验室（Superintelligence Labs）招了那么多牛人，第一篇论文有点出人意料——他们选择先来优化一下我们已经很熟悉的 RAG（检索增强生成）。 最近 RAG 风评不佳，速度慢，检索精度不高，尤其是现在 Agent 势头正猛，很多人都觉得 RAG 已死，而 REFRAG 则给人以“Make RAG Great Again”的感觉。 先看数据： - 首次生成延迟（Time-to-First-Token）缩短了整整 30.85 倍（远超之前最先进方法 3.75 倍） - 能够处理的上下文长度增加了 16 倍 - 在16项主流RAG任务上，全面超越 LLaMA 等之前的明星模型。 - token 使用数量降低了2-4倍，意味着算力消耗更低。 - 在摘要、多轮对话、检索问答等场景下，没有任何精度损失。 我本来以为技术很高深，但学习了一下发现原理我也能懂，都不需要等马老师 马东锡 NLP 讲课了。 不得不感叹：有时候你以为理所当然的事，结果牛人就是能提出一个更好的方案，让你一拍大腿：“原来还能这样。” 传统的 RAG 方案很多人已经不陌生了： 预处理：文本分块 -> 向量化(Embedding) -> 存向量数据库（通常还会存 Meta 信息，方便找到原始文本和位置） 检索：用户输入 -> 向量化 -> 向量数据库检索 -> 返回 Top-K 相关文本 生成：将 Top-K 相关文本和用户输入一起拼接成 Prompt -> LLM 生成 -> 返回结果 这样做，确实能解决不少问题，但也存在一些问题： - 绝大部分检索出来的内容其实和用户的问题并不相关。 - LLM 被迫要处理大量无用的文本。 - 计算成本高，速度慢，延迟长，上下文空间还被浪费了。 那么 REFRAG 是怎么优化的呢？ 它的做法很巧妙，就是检索的时候，返回的结果不是文本块，而是文本块的向量，只有少量重要的文本块的向量会返回原始的文本内容，其他的文本块只返回向量。这样既节约了上下文空间，也让 LLM 能够专注于处理重要的文本。 这可能有点不好理解，来打个比方： > 我们有一个百科全书，我们把每一页纸生成一张缩略图（向量），然后把这些缩略图和对应的百科全书页码存到数据库里。现在用户来问问题，我们先把用户的问题也生成一张缩略图，然后在数据库里找出和用户问题缩略图最相似的前 K 张缩略图。假设我们找到了 10 张缩略图，其中有 2 张是非常相关的，我们就把这 2 张缩略图对应的百科全书页码和内容都返回给 LLM，其他 8 张只返回缩略图和页码，不返回内容。这样 LLM 就能专注于处理这 2 页重要内容，而不是被其他 8 页无关内容干扰。而且内容少了，上下文不容易被占满，而且有其他内容的缩略图也可以帮助更好的理解上下文，必要的话还可以二次请求获取更多详细信息。 就好比过去我们逼着模型“看整本书”。而现在让模型先“看缩略图墙”，只在关键处“点开原文”。 这就解决了三个痛点： - 首字节很慢 → 少传大量 token，更快开始说话。 - 显存/KV 压力大 → 输入更短，占用更小，同卡跑更多并发。 - 吞吐不稳 → 注意力计算随 token 增长很快；压成向量后，每次算得更轻。 在哪些场景有用呢？ - 客服问答、知识搜索、长文总结、垂直智能体：资料多但不需要句句逐字引用。 - 多轮对话/很长上下文：能把中间那些“参考资料”大部分用缩略图带着走。 但可能不适合的场景： - 严格引用/逐字精确（法律、医学、合同条款等）：需要更高“点开原文”的预算，甚至干脆多给 token。 - 知识库更新很频繁：要有快速重算向量的管线，否则可能“新知识不新”。比如像代码库，还不如用 Greg 更简单方便。 - 团队工程能力有限：要训练/对齐“缩略图制作器”和“点开什么”的策略，落地不等于即插即用。 其实这还有一个启发，也许以后模型内部的通信，真的不需要用人类的语言了。模型之间可以直接交换“向量”+“元信息”，而不是“文本”，这样效率会更高。
8:00

REFRAG：Make RAG Great Again Meta 超级智能实验室（Superintelligence Labs）招了那么多牛人，第一篇论文有点出人意料——他们选择先来优化一下我们已经很熟悉的 RAG（检索增强生成）。 最近 RAG 风评不佳，速度慢，检索精度不高，尤其是现在 Agent 势头正猛，很多人都觉得 RAG 已死，而 REFRAG 则给人以“Make RAG Great Again”的感觉。 先看数据： - 首次生成延迟（Time-to-First-Token）缩短了整整 30.85 倍（远超之前最先进方法 3.75 倍） - 能够处理的上下文长度增加了 16 倍 - 在16项主流RAG任务上，全面超越 LLaMA 等之前的明星模型。 - token 使用数量降低了2-4倍，意味着算力消耗更低。 - 在摘要、多轮对话、检索问答等场景下，没有任何精度损失。 我本来以为技术很高深，但学习了一下发现原理我也能懂，都不需要等马老师 马东锡 NLP 讲课了。 不得不感叹：有时候你以为理所当然的事，结果牛人就是能提出一个更好的方案，让你一拍大腿：“原来还能这样。” 传统的 RAG 方案很多人已经不陌生了： 预处理：文本分块 -> 向量化(Embedding) -> 存向量数据库（通常还会存 Meta 信息，方便找到原始文本和位置） 检索：用户输入 -> 向量化 -> 向量数据库检索 -> 返回 Top-K 相关文本 生成：将 Top-K 相关文本和用户输入一起拼接成 Prompt -> LLM 生成 -> 返回结果 这样做，确实能解决不少问题，但也存在一些问题： - 绝大部分检索出来的内容其实和用户的问题并不相关。 - LLM 被迫要处理大量无用的文本。 - 计算成本高，速度慢，延迟长，上下文空间还被浪费了。 那么 REFRAG 是怎么优化的呢？ 它的做法很巧妙，就是检索的时候，返回的结果不是文本块，而是文本块的向量，只有少量重要的文本块的向量会返回原始的文本内容，其他的文本块只返回向量。这样既节约了上下文空间，也让 LLM 能够专注于处理重要的文本。 这可能有点不好理解，来打个比方： > 我们有一个百科全书，我们把每一页纸生成一张缩略图（向量），然后把这些缩略图和对应的百科全书页码存到数据库里。现在用户来问问题，我们先把用户的问题也生成一张缩略图，然后在数据库里找出和用户问题缩略图最相似的前 K 张缩略图。假设我们找到了 10 张缩略图，其中有 2 张是非常相关的，我们就把这 2 张缩略图对应的百科全书页码和内容都返回给 LLM，其他 8 张只返回缩略图和页码，不返回内容。这样 LLM 就能专注于处理这 2 页重要内容，而不是被其他 8 页无关内容干扰。而且内容少了，上下文不容易被占满，而且有其他内容的缩略图也可以帮助更好的理解上下文，必要的话还可以二次请求获取更多详细信息。 就好比过去我们逼着模型“看整本书”。而现在让模型先“看缩略图墙”，只在关键处“点开原文”。 这就解决了三个痛点： - 首字节很慢 → 少传大量 token，更快开始说话。 - 显存/KV 压力大 → 输入更短，占用更小，同卡跑更多并发。 - 吞吐不稳 → 注意力计算随 token 增长很快；压成向量后，每次算得更轻。 在哪些场景有用呢？ - 客服问答、知识搜索、长文总结、垂直智能体：资料多但不需要句句逐字引用。 - 多轮对话/很长上下文：能把中间那些“参考资料”大部分用缩略图带着走。 但可能不适合的场景： - 严格引用/逐字精确（法律、医学、合同条款等）：需要更高“点开原文”的预算，甚至干脆多给 token。 - 知识库更新很频繁：要有快速重算向量的管线，否则可能“新知识不新”。比如像代码库，还不如用 Greg 更简单方便。 - 团队工程能力有限：要训练/对齐“缩略图制作器”和“点开什么”的策略，落地不等于即插即用。 其实这还有一个启发，也许以后模型内部的通信，真的不需要用人类的语言了。模型之间可以直接交换“向量”+“元信息”，而不是“文本”，这样效率会更高。

宝玉

83,718 views • 11 months ago

大家都是怎么利用 AI 搜索调研信息的？🤔 无论是写文章、追资讯、写论文、做网站，第一步都是尽可能获取 多元全面 的信息。我一般会同时 开多个 AI 工具 收集信息源，包括 Google DeepResearch + FireCrawl MCP + 针对每个主流平台编写的网页搜索 Python 脚本等。然后交给上下文较长的大模型做过滤汇总，屡试不爽~ 我还是挺喜欢 Google DeepResearch 的，有免费使用次数、调研速度挺快，尤其适合调研技术 / 产品 / 科研方向的内容。
0:30

大家都是怎么利用 AI 搜索调研信息的？🤔 无论是写文章、追资讯、写论文、做网站，第一步都是尽可能获取 多元全面 的信息。我一般会同时 开多个 AI 工具 收集信息源，包括 Google DeepResearch + FireCrawl MCP + 针对每个主流平台编写的网页搜索 Python 脚本等。然后交给上下文较长的大模型做过滤汇总，屡试不爽~ 我还是挺喜欢 Google DeepResearch 的，有免费使用次数、调研速度挺快，尤其适合调研技术 / 产品 / 科研方向的内容。

程序员鱼皮

17,779 views • 8 months ago

向量数据库脑电图来啦! 把一大堆文档拖进 RAG，然后提问题，结果大模型回答的驴唇不对马嘴，是不是会怀疑大模型到底是怎样在向量数据库检索的, 才能搞成这个熊样? 来看这个 RAG 可视化项目 Project Golem! 它把向量数据库从黑盒变成了一个可交互的 3D "大脑皮层"。使用 UMAP 算法将 768 维的嵌入向量降维到 3D 空间，当你输入查询时，它不只是返回文本，而是会"点亮"与你的查询相关的神经通路。 这个项目的设计初衷是作为 RAG 的诊断工具。当检索失败时，你可以亲眼看到"思考"从嵌入查询出发所走过的精确路径。 如果看到一个紧密的簇亮起，说明模型找到了一个连贯的概念。如果可视化看起来很分散，那就意味着检索到的文本块在语义上彼此相距甚远，这正是你需要的视觉提示，告诉你 RAG 正在幻觉或强求关联。 技术栈方面，嵌入模型用的是 Google 的 embedding-gemma-300m，向量数据库是 LanceDB，前端是 Three.js 和 WebGL，后端是 Flask。 项目已经在 Reddit 的 LocalLLaMA 社区获得了 200 多个赞。有用户说这看起来真的像大脑中神经细胞的激活。还有用户说这对数据库优化太棒了，当某个查询表现不佳时，能立刻调出投影，瞬间获得一把手术刀。 项目还支持对接 Qdrant、Pinecone 等外部向量数据库，架构是解耦的，3D 查看器本质上是一个位于数据之上的界面，你无需移动数据，只需将其投影出来即可。 项目地址:
0:56

向量数据库脑电图来啦! 把一大堆文档拖进 RAG，然后提问题，结果大模型回答的驴唇不对马嘴，是不是会怀疑大模型到底是怎样在向量数据库检索的, 才能搞成这个熊样? 来看这个 RAG 可视化项目 Project Golem! 它把向量数据库从黑盒变成了一个可交互的 3D "大脑皮层"。使用 UMAP 算法将 768 维的嵌入向量降维到 3D 空间，当你输入查询时，它不只是返回文本，而是会"点亮"与你的查询相关的神经通路。 这个项目的设计初衷是作为 RAG 的诊断工具。当检索失败时，你可以亲眼看到"思考"从嵌入查询出发所走过的精确路径。 如果看到一个紧密的簇亮起，说明模型找到了一个连贯的概念。如果可视化看起来很分散，那就意味着检索到的文本块在语义上彼此相距甚远，这正是你需要的视觉提示，告诉你 RAG 正在幻觉或强求关联。 技术栈方面，嵌入模型用的是 Google 的 embedding-gemma-300m，向量数据库是 LanceDB，前端是 Three.js 和 WebGL，后端是 Flask。 项目已经在 Reddit 的 LocalLLaMA 社区获得了 200 多个赞。有用户说这看起来真的像大脑中神经细胞的激活。还有用户说这对数据库优化太棒了，当某个查询表现不佳时，能立刻调出投影，瞬间获得一把手术刀。 项目还支持对接 Qdrant、Pinecone 等外部向量数据库，架构是解耦的，3D 查看器本质上是一个位于数据之上的界面，你无需移动数据，只需将其投影出来即可。 项目地址:

karminski-牙医

34,099 views • 8 months ago

Google Gemini 的 Deep Research ：为了帮你做一个研究任务，gemini 阅读了 151 个英文网站，帮你写了一份研究报告，还附带16 个英文参考文献🤣 你算算这都能帮你节约几百个小时？？ 单独在“主题研究”这件事上做到极致，就是一个能帮用户实实在在提高生产力、节约时间的神器！ 以视频（录屏，无声音）中案例来讲，Deep Research 帮我阅读了151 个网站，然后生成了详细的报告。 报告可以直接在 google docs 中打开，每个要点都附带了参考文献。这些都是英文的、真实的、高质量的参考文献。想象一下，读完这些参考文献，你得花多少小时？deep research 这样的工具，能帮你节约多少时间？ 【小技巧】中文写 prompt，最后加一句：research in english, respond in chinese.（万能 prompt，AI 搜索场景比用，适合所有 LLM。加了这一句，会在 google 上搜索英文高质量材料，然后综合加工后生成中文报告。一级棒！）
1:17

Google Gemini 的 Deep Research ：为了帮你做一个研究任务，gemini 阅读了 151 个英文网站，帮你写了一份研究报告，还附带16 个英文参考文献🤣 你算算这都能帮你节约几百个小时？？ 单独在“主题研究”这件事上做到极致，就是一个能帮用户实实在在提高生产力、节约时间的神器！ 以视频（录屏，无声音）中案例来讲，Deep Research 帮我阅读了151 个网站，然后生成了详细的报告。 报告可以直接在 google docs 中打开，每个要点都附带了参考文献。这些都是英文的、真实的、高质量的参考文献。想象一下，读完这些参考文献，你得花多少小时？deep research 这样的工具，能帮你节约多少时间？ 【小技巧】中文写 prompt，最后加一句：research in english, respond in chinese.（万能 prompt，AI 搜索场景比用，适合所有 LLM。加了这一句，会在 google 上搜索英文高质量材料，然后综合加工后生成中文报告。一级棒！）

howie.serious

235,525 views • 1 year ago

大模型终于能一口气生成5分钟视频了? 来自复旦, 南京大学等几所大学的研究员发布了新的多模态可控超长视频世界模型 LongVie 2, 这个模型最大的特点是可以生成长达5分钟的视频. 该模型基于 Wan 2.1 魔改, 实现了一个个三阶段流水线, 包括多模态引导,针对输入帧的退化感知训练和历史上下文引导 从而达到了输出3至5分钟的连贯视频.其核心是优先保证因果一致性，而非简单的帧预测.
0:47

大模型终于能一口气生成5分钟视频了? 来自复旦, 南京大学等几所大学的研究员发布了新的多模态可控超长视频世界模型 LongVie 2, 这个模型最大的特点是可以生成长达5分钟的视频. 该模型基于 Wan 2.1 魔改, 实现了一个个三阶段流水线, 包括多模态引导,针对输入帧的退化感知训练和历史上下文引导 从而达到了输出3至5分钟的连贯视频.其核心是优先保证因果一致性，而非简单的帧预测.

karminski-牙医

24,831 views • 9 months ago

6月25日，博主“耿同学”发布视频，谈及自己对当前学术生态的看法。 他认为，文科和理工科正分别陷入不同形式的困境。以部分文科研究为例，一些论文更多是在表达立场而非探讨问题本身。 他举例称，有些议题从一开始就存在结论上的限制，学术讨论空间十分有限，论文的功能更像是在证明既定观点，而不是寻找答案。 在理工科领域，他则将问题概括为“灌水”。他说，某些研究方向已经形成固定套路，只需更换材料、调整参数，就能拼凑出一篇新论文。面对“这些实验究竟有什么意义”的疑问，许多学生得到的回答往往只是“发论文就行了”。在论文、项目和考核压力下，不少导师和学生都被裹挟其中，难以摆脱这一循环。 视频最后，耿同学谈到了自己的退学决定。他表示，对于普通家庭出身的学生来说，首先要考虑的是现实生计。当他发现校外收入已经能够满足生活需求，而继续读博却看不到与付出相匹配的回报时，最终选择离开学校。
3:56

6月25日，博主“耿同学”发布视频，谈及自己对当前学术生态的看法。 他认为，文科和理工科正分别陷入不同形式的困境。以部分文科研究为例，一些论文更多是在表达立场而非探讨问题本身。 他举例称，有些议题从一开始就存在结论上的限制，学术讨论空间十分有限，论文的功能更像是在证明既定观点，而不是寻找答案。 在理工科领域，他则将问题概括为“灌水”。他说，某些研究方向已经形成固定套路，只需更换材料、调整参数，就能拼凑出一篇新论文。面对“这些实验究竟有什么意义”的疑问，许多学生得到的回答往往只是“发论文就行了”。在论文、项目和考核压力下，不少导师和学生都被裹挟其中，难以摆脱这一循环。 视频最后，耿同学谈到了自己的退学决定。他表示，对于普通家庭出身的学生来说，首先要考虑的是现实生计。当他发现校外收入已经能够满足生活需求，而继续读博却看不到与付出相匹配的回报时，最终选择离开学校。

李老师不是你老师

202,401 views • 3 months ago

一位朋友的公司他们肝了好几天，做了个 Deep Research 的平替 但是模型是基于 DeepSeek R1 产品的名字叫：心流 域名 我试用了一下，搜索「哪吒2上映之后的票房表现和背后原因」 结果它自己不停搜索和思考了2分钟，最后给出了答案 相比 Deep Research，这个思考的过程也外露了，非常有趣，可以看看录屏 目前的小问题是，在超长的上下文中 R1 会有幻觉，所以未必是最适合做长文总结的模型
1:47

一位朋友的公司他们肝了好几天，做了个 Deep Research 的平替 但是模型是基于 DeepSeek R1 产品的名字叫：心流 域名 我试用了一下，搜索「哪吒2上映之后的票房表现和背后原因」 结果它自己不停搜索和思考了2分钟，最后给出了答案 相比 Deep Research，这个思考的过程也外露了，非常有趣，可以看看录屏 目前的小问题是，在超长的上下文中 R1 会有幻觉，所以未必是最适合做长文总结的模型

Orange AI

109,417 views • 1 year ago

中山大学副院长被曝多篇Nature论文数据造假。 7月2日，知名学术打假博主“耿同学讲故事”发视频举报，中山大学某副院长名下有3篇发表在Nature正刊上的论文存在严重的数据造假，造假程度碾压之前被称为“史上最假”的同济大学王杰青院士的论文。 ​主要质疑点如下： ​数据异常： 在多篇论文的图表数据中，存在大量重复的小数点后数值，甚至出现通过简单的加减法即可推导出后续数据的情况，被戏称为“一年级水平的造假”。 ​逻辑矛盾： 论文中的图表标注数据与实际对比存在明显偏差，且在同一篇论文中类似错误多达33处，即便如此，该论文仍被评为年度“中国生命科学十大进展”及“十大科学突破”。 ​团队协作： 涉及造假的三篇Nature论文中，多位第一作者及并列第一作者高度重合（李某、陈某某、兰某某等），被质疑存在长期、紧密的团队性学术造假行为。 ​目前，相关论文的真实性及该团队的学术操守引发舆论广泛质疑。当造假技术远超打假技术时，学术界距离“荒诞”或许只差一篇Nature。
4:26

中山大学副院长被曝多篇Nature论文数据造假。 7月2日，知名学术打假博主“耿同学讲故事”发视频举报，中山大学某副院长名下有3篇发表在Nature正刊上的论文存在严重的数据造假，造假程度碾压之前被称为“史上最假”的同济大学王杰青院士的论文。 ​主要质疑点如下： ​数据异常： 在多篇论文的图表数据中，存在大量重复的小数点后数值，甚至出现通过简单的加减法即可推导出后续数据的情况，被戏称为“一年级水平的造假”。 ​逻辑矛盾： 论文中的图表标注数据与实际对比存在明显偏差，且在同一篇论文中类似错误多达33处，即便如此，该论文仍被评为年度“中国生命科学十大进展”及“十大科学突破”。 ​团队协作： 涉及造假的三篇Nature论文中，多位第一作者及并列第一作者高度重合（李某、陈某某、兰某某等），被质疑存在长期、紧密的团队性学术造假行为。 ​目前，相关论文的真实性及该团队的学术操守引发舆论广泛质疑。当造假技术远超打假技术时，学术界距离“荒诞”或许只差一篇Nature。

李老师不是你老师

106,450 views • 2 months ago

读论文时经常被各种专业术语、复杂概念和密集信息弄得头昏脑涨，想快速理解论文核心观点或生成文献综述更是特别耗时费力。 给大家推荐一款学术研究的开源效率神器：PapersGPT For Zotero，让我们能直接与论文进行对话，极大提高我们阅读论文的效率。 这是 Zotero 文献工具的一款插件，通过集成了各种 AI 模型，实现了在 Zotero 界面上对文献进行提问、提取见解、生成综述，甚至能与多篇论文同时对话。 GitHub： 主要功能： - Mac 用户可一键使用本地开源模型（如 DeepSeek V3、Qwen 3 等），无需额外配置； - 集成几乎所有主流 AI 模型，包括 Gemini、ChatGPT、Claude 等，只需一个 API 密钥即可使用； - 支持选择多篇 PDF 论文或整个文件夹，快速分析和同时对话； - 内置各种学术场景提示词，如生成文献综述、理论框架分析等； - 完全本地处理选项，保证敏感研究数据的隐私安全； - 与 Zotero 无缝集成，无需离开界面即可管理和聊天文档。 安装只需在 GitHub 发布页面下载 .xpi 文件，并通过 Zotero 的 “文件安装附加组件” 功能安装，简单配置下即可使用。
1:05

读论文时经常被各种专业术语、复杂概念和密集信息弄得头昏脑涨，想快速理解论文核心观点或生成文献综述更是特别耗时费力。 给大家推荐一款学术研究的开源效率神器：PapersGPT For Zotero，让我们能直接与论文进行对话，极大提高我们阅读论文的效率。 这是 Zotero 文献工具的一款插件，通过集成了各种 AI 模型，实现了在 Zotero 界面上对文献进行提问、提取见解、生成综述，甚至能与多篇论文同时对话。 GitHub： 主要功能： - Mac 用户可一键使用本地开源模型（如 DeepSeek V3、Qwen 3 等），无需额外配置； - 集成几乎所有主流 AI 模型，包括 Gemini、ChatGPT、Claude 等，只需一个 API 密钥即可使用； - 支持选择多篇 PDF 论文或整个文件夹，快速分析和同时对话； - 内置各种学术场景提示词，如生成文献综述、理论框架分析等； - 完全本地处理选项，保证敏感研究数据的隐私安全； - 与 Zotero 无缝集成，无需离开界面即可管理和聊天文档。 安装只需在 GitHub 发布页面下载 .xpi 文件，并通过 Zotero 的 “文件安装附加组件” 功能安装，简单配置下即可使用。

GitHubDaily

19,556 views • 1 year ago

🚨 卧槽！TradingAgents 中文增强版来了！ TradingAgents 原本是 GitHub 上 AI 股票分析的头部项目，目前已经拿到 90K star。 现在有人做了它的中文增强版 —— TradingAgents-CN，目前也已经冲到 29K star。 这个版本主要是为中文用户优化的多智能体股票分析平台，支持 A 股、港股、美股，它做了很多本地化增强： > 中文界面 > 完整 A 股支持 > 支持 A 股 / 港股 / 美股分析 > 支持国产大模型和多 LLM 提供商 > 支持 Tushare、AkShare、BaoStock 等数据源 > 支持 Docker 部署 > 支持专业报告导出 > 支持批量分析、自选股、模拟交易和智能筛选 TradingAgents-CN 的价值，就是让 AI 先帮你把几个主要视角跑一遍，再给你一份更完整的分析框架。 更准确地说，它适合拿来做： A 股复盘、美股个股研究、港股分析、量化策略灵感、AI 投研流程学习、自动化研究报告。 如果你平时研究股票，或者想把 AI Agent 接进自己的投研工作流，这个项目值得强烈收藏
0:46

🚨 卧槽！TradingAgents 中文增强版来了！ TradingAgents 原本是 GitHub 上 AI 股票分析的头部项目，目前已经拿到 90K star。 现在有人做了它的中文增强版 —— TradingAgents-CN，目前也已经冲到 29K star。 这个版本主要是为中文用户优化的多智能体股票分析平台，支持 A 股、港股、美股，它做了很多本地化增强： > 中文界面 > 完整 A 股支持 > 支持 A 股 / 港股 / 美股分析 > 支持国产大模型和多 LLM 提供商 > 支持 Tushare、AkShare、BaoStock 等数据源 > 支持 Docker 部署 > 支持专业报告导出 > 支持批量分析、自选股、模拟交易和智能筛选 TradingAgents-CN 的价值，就是让 AI 先帮你把几个主要视角跑一遍，再给你一份更完整的分析框架。 更准确地说，它适合拿来做： A 股复盘、美股个股研究、港股分析、量化策略灵感、AI 投研流程学习、自动化研究报告。 如果你平时研究股票，或者想把 AI Agent 接进自己的投研工作流，这个项目值得强烈收藏

爱吃折耳根的Ace

35,849 views • 3 months ago

电脑里存放着大量文档、图片和 PDF，有时候想找某个资料都想不起来存放在哪个文件夹，很是苦恼。 不妨试试，利用 Second Brain 这个开源工具，把我们的本地文件变成一个可搜索的 RAG 知识库。 通过自然语言或关键词来搜索内容，支持文本和图片的多模态搜索，还能结果本地 AI 模型进行智能问答。 GitHub： 主要特性： - 语义搜索和关键词搜索结合，精准找到相关内容； - 支持文本和图片的多模态搜索与嵌入； - 支持的文件类型，包括 txt、pdf、docx、png、gif 等多种格式； - 可选 AI 模式，支持本地模型和 OpenAI 云端模型； - 检索增强生成（RAG）让 AI 基于知识库给出高质量回答； - 完全本地运行保护隐私，支持同步 Google Drive。 支持使用 LM Studio 与本地部署的大模型结合使用，可处理超过 10 万个文件，所有数据均在本地处理。
1:08

电脑里存放着大量文档、图片和 PDF，有时候想找某个资料都想不起来存放在哪个文件夹，很是苦恼。 不妨试试，利用 Second Brain 这个开源工具，把我们的本地文件变成一个可搜索的 RAG 知识库。 通过自然语言或关键词来搜索内容，支持文本和图片的多模态搜索，还能结果本地 AI 模型进行智能问答。 GitHub： 主要特性： - 语义搜索和关键词搜索结合，精准找到相关内容； - 支持文本和图片的多模态搜索与嵌入； - 支持的文件类型，包括 txt、pdf、docx、png、gif 等多种格式； - 可选 AI 模式，支持本地模型和 OpenAI 云端模型； - 检索增强生成（RAG）让 AI 基于知识库给出高质量回答； - 完全本地运行保护隐私，支持同步 Google Drive。 支持使用 LM Studio 与本地部署的大模型结合使用，可处理超过 10 万个文件，所有数据均在本地处理。

GitHubDaily

30,761 views • 10 months ago

LangChain：构建与数据对话的聊天机器人4——向量和嵌入 #LangChain构建与数据对话的聊天机器人 这节课主要讲述了如何使用嵌入（embeddings）和向量存储（vector stores）来处理和检索数据。 首先，我们将文档分割成小的、语义有意义的分块，然后将这些分块存储到索引中，以便在需要回答关于这个数据集的问题时能够轻松地检索到。Embedding是将文本转化为向量空间的数组的过程，相似内容的文本在向量空间中会有相似的向量。这意味着我们可以比较这些向量，找出相似的文本片段。向量存储是一个可以轻松查找相似向量的数据库，这在我们试图找到与手头问题相关的文档时非常有用。 视频还详细讲解了如何使用OpenAI创建嵌入，以及如何使用NumPy比较嵌入的相似度。然后，我们将所有的嵌入存储在向量存储中，以便于后续的检索。视频中使用的向量存储是Chroma，因为它轻量级且内存中，非常容易上手。最后，我们将向量数据库持久化，以便在未来的课程中使用。 然而，这种方法并不完美，视频也讨论了一些边缘情况和失败模式，例如检索到重复的信息，或者无法准确捕捉到结构化信息。 课程地址： 播放列表： B站：
9:21

LangChain：构建与数据对话的聊天机器人4——向量和嵌入 #LangChain构建与数据对话的聊天机器人 这节课主要讲述了如何使用嵌入（embeddings）和向量存储（vector stores）来处理和检索数据。 首先，我们将文档分割成小的、语义有意义的分块，然后将这些分块存储到索引中，以便在需要回答关于这个数据集的问题时能够轻松地检索到。Embedding是将文本转化为向量空间的数组的过程，相似内容的文本在向量空间中会有相似的向量。这意味着我们可以比较这些向量，找出相似的文本片段。向量存储是一个可以轻松查找相似向量的数据库，这在我们试图找到与手头问题相关的文档时非常有用。 视频还详细讲解了如何使用OpenAI创建嵌入，以及如何使用NumPy比较嵌入的相似度。然后，我们将所有的嵌入存储在向量存储中，以便于后续的检索。视频中使用的向量存储是Chroma，因为它轻量级且内存中，非常容易上手。最后，我们将向量数据库持久化，以便在未来的课程中使用。 然而，这种方法并不完美，视频也讨论了一些边缘情况和失败模式，例如检索到重复的信息，或者无法准确捕捉到结构化信息。 课程地址： 播放列表： B站：

宝玉

40,993 views • 3 years ago

吴恩达：可能世界上只有我一个人，Sam和Dario都曾在我手下工作过 “有一件事，我几年前绝对猜不到，中国最终会变得在AI创新方式上比美国开放得多。 我非常了解美国AI生态系统，因为我创立了Google Brain等等。可能世界上只有我一个人，Sam和Dario都曾在我手下工作过。所以我对他们团队的人都非常熟悉。 2022年底ChatGPT发布时，美国遥遥领先于中国。但中国自那以后，打出了一手好牌——押注开源、开放权重生态。中国的团队做研究，并把他们的研究论文免费发布在互联网上，任何人都可以阅读。 顺便说一句，很多美国顶尖团队大量阅读中国的研究论文，从中学习并获益。坦率地说，现在美国顶尖团队使用的很多技术，都来自从中国学到的研究创新成果。所以我认为知识共享是双向的。”
1:21

吴恩达：可能世界上只有我一个人，Sam和Dario都曾在我手下工作过 “有一件事，我几年前绝对猜不到，中国最终会变得在AI创新方式上比美国开放得多。 我非常了解美国AI生态系统，因为我创立了Google Brain等等。可能世界上只有我一个人，Sam和Dario都曾在我手下工作过。所以我对他们团队的人都非常熟悉。 2022年底ChatGPT发布时，美国遥遥领先于中国。但中国自那以后，打出了一手好牌——押注开源、开放权重生态。中国的团队做研究，并把他们的研究论文免费发布在互联网上，任何人都可以阅读。 顺便说一句，很多美国顶尖团队大量阅读中国的研究论文，从中学习并获益。坦率地说，现在美国顶尖团队使用的很多技术，都来自从中国学到的研究创新成果。所以我认为知识共享是双向的。”

马识途

576,244 views • 2 months ago

HackerNews 上面的这个热门文章： 推荐大家看下，作者创建了一种 Context Mode 来节省上下文 token 当调用 MCP 的时候，工具调用会从两个方向消耗上下文窗口，输入和输出都会耗费 token。 作者的解决方案是：Context Mode 在 Claude Code 和外部工具输出之间再添加一层，核心目标是防止原始大块数据进入上下文窗口，实现高达 98% 的上下文节省 主要的实现原理： 1 沙箱隔离执行，每个工具调用在独立的子进程中运行，支持 10 种语言运行时（JS、Python 等），只把 stdout 结果返回，原始输出数据留在沙箱内不进上下文。 2 知识库 + 精简输出：使用 SQLite FTS5 虚拟表 + BM25 排名 + Porter stemming 对 Markdown 内容建索引，模型需要时再精准拉取代码块，而不是塞摘要或全文。 作者的测试数据： Playwright 快照：56 KB → 299 B 20 个 GitHub Issue：59 KB → 1.1 KB 500 次访问日志：45 KB → 155 B 500 行 CSV 分析：85 KB → 222 B 153 次 git 提交日志：11.6 KB → 107 B 和 Cloudflare 之前推出的 Code Mode 非常类似 项目地址在这里：
0:25

HackerNews 上面的这个热门文章： 推荐大家看下，作者创建了一种 Context Mode 来节省上下文 token 当调用 MCP 的时候，工具调用会从两个方向消耗上下文窗口，输入和输出都会耗费 token。 作者的解决方案是：Context Mode 在 Claude Code 和外部工具输出之间再添加一层，核心目标是防止原始大块数据进入上下文窗口，实现高达 98% 的上下文节省 主要的实现原理： 1 沙箱隔离执行，每个工具调用在独立的子进程中运行，支持 10 种语言运行时（JS、Python 等），只把 stdout 结果返回，原始输出数据留在沙箱内不进上下文。 2 知识库 + 精简输出：使用 SQLite FTS5 虚拟表 + BM25 排名 + Porter stemming 对 Markdown 内容建索引，模型需要时再精准拉取代码块，而不是塞摘要或全文。 作者的测试数据： Playwright 快照：56 KB → 299 B 20 个 GitHub Issue：59 KB → 1.1 KB 500 次访问日志：45 KB → 155 B 500 行 CSV 分析：85 KB → 222 B 153 次 git 提交日志：11.6 KB → 107 B 和 Cloudflare 之前推出的 Code Mode 非常类似 项目地址在这里：

Viking

36,612 views • 7 months ago