更好的搜索如何让智能体准确率从 36% 升至 98% | Aamir Shakir,Mixedbread

📌 One-Sentence Summary
Aamir Shakir 认为企业智能体的瓶颈不只是模型能力,更在于检索质量,并介绍多模态后期交互搜索如何减少传统 RAG 的信息损失。
📝 Summary
Aamir Shakir 解释企业智能体为何难以从大量 PDF、表格、访谈等材料中找到准确答案。关键词检索可能导致昂贵的逐篇阅读,而 OCR、解析、切块和单向量嵌入组成的流水线,会在每一步损失结构信息。不同年份的财报即使语义相似,问题需要的证据也可能完全不同。Mixedbread 采用多个带上下文的嵌入及页面视觉表征,试图保留更细粒度的信息。Intel 财报演示展示了检索、基于布局的引用,以及用于复杂多跳问题的智能体搜索工具。嘉宾还报告某对冲基金在超过十亿份文档上,把答案准确率从 36% 提高到 98%,LLM 支出约降至三分之一。这些数据来自厂商个案,没有披露评测协议。核心启发是先改善证据获取,再考虑增加模型调用和子智能体;产品宣传与演示局限也限制了结论的泛化。
💡 Main Points
传统检索流水线会累积信息损失
解析、OCR 和切块可能在嵌入之前就丢失表格与版面关系。
细粒度证据不能只依赖宽泛相似度
跨年份财报看起来相近,答案却可能取决于某个时期或具体单元格。
后期交互保留多个上下文细节
文档与查询使用多个嵌入,能够比单向量保存更细的信息。
把客户收益视为个案
36% 到 98% 的准确率提升和 LLM 成本下降来自厂商陈述,不能当作通用基准。
💬 Key Quotes
真正的瓶颈是如何获取自己的数据与知识。
每一步都会带来很大的信息损失。
📊 Article Meta
AI Screening: 91
Featured: Yes
Source: AI Engineer
Author: AI Engineer
Category: 人工智能
Language: 英文
Read Time: 13 min
Word Count: 3225
Tags:
AI 与智能应用 , RAG / 检索增强 , 文档解析 , 阅读与写作 , 视频
Play Full Video
这个观点很中肯,深有同感。
看完了,收获满满,期待更多更新。
看标题就点进来了,内容果然没让人失望。
看标题就点进来了,内容果然没让人失望。
看完了,收获满满,期待更多更新。
实测过类似工具,作者说的基本属实。
写得挺用心的,支持一下。
作者写得真不错,学到了不少。
点赞,必须点赞
路过
路过
这篇文章分析得很透彻,收藏了!