Amazon Quick 推出 Live Data in Apps，支持 AI 应用实时查询受治理数据
Amazon Quick 发布 Live Data in Apps 功能，允许 AI 构建的应用程序实时查询受治理的 Quick Sight 数据集。该功能取代了静态快照，支持 SPICE 和 Direct Query 模式，并自动继承行级与列级安全规则。用户通过自然语言描述即可生成应用，确保每次打开时数据均为最新且符合权限控制。
#RAG
#RAG
今日 2 条AWS Machine Learning BlogAI 评分4040 AWS Machine Learning BlogAI 评分3939 使用 NVIDIA NeMo Agent Toolkit 和 Amazon S3 Vectors 构建智能体记忆
NVIDIA NeMo Agent Toolkit (NAT) v1.6 支持通过自定义内存提供者集成 Amazon S3 Vectors，实现多智能体系统的持久化记忆。该方案利用 S3 Vectors 的语义检索、强一致性及弹性扩展能力（单索引支持 20 亿向量），并在 Amazon EKS 上部署以优化成本与控制权。
AWS Machine Learning BlogAI 评分3434 使用 Amazon Bedrock Knowledge Bases 以自然语言查询保险理赔
Amazon Bedrock Knowledge Bases 通过 AgenticRetrieveStream API 实现保险理赔文档的自然语言检索，支持多轮对话与元数据过滤。该方案利用 RAG 技术自动处理解析、分块及向量存储，并集成上下文接地护栏以确保答案基于源文件且附带引用，适用于构建可审计的理赔助手。
GitHub Blog · AI & MLAI 评分3636 GitHub Podcast 解析 AI 热点：RAG、MCP 与 Skills 的协同关系
GitHub Podcast 指出 RAG 并未消亡，而是作为检索增强生成技术为模型提供外部上下文。文章澄清 MCP 负责工具连接标准，Skills 封装团队专业知识，二者互补而非替代。此外，讨论强调开发者仍需审查 AI 代码，且判断力比单纯使用 AI 工具更为关键。
Google ResearchAI 评分2525 Google Research 提出 Retrieve-for-Train 框架加速复杂 AI 搜索
Google Research 推出 Retrieve-for-Train 框架，通过离线强化学习将查询分解行为编译为监督信号，以解决 LLM 在复杂搜索中的推理瓶颈。该方案利用 RL 训练 Gemma3-4B 和 Qwen3-4B 生成对齐属性的子查询，并蒸馏至一个 53.9M 参数的扩散检索器中。此架构实现了单次非自回归推理，消除了测试时思维链开销，显著提升了集合级搜索结果的多样性与响应速度。
Mistral AI精选AI 评分6565 Mistral 发布 Agentic Search 智能体搜索功能
Mistral 推出 Agentic Search，通过多步检索循环提升 AI 系统处理复杂文档的准确性并降低延迟。该功能提供 search、open、navigate、read 和 grep 五个工具，支持云端和本地部署。
推荐理由：原文给出了多步检索循环的具体工具链，以及在金融和政务文档基准上的准确率与延迟实测数据。