最后，文章重点对比了 PCIe 与 SXM 封装形式及 NVLink 互连方案的优劣，并基于计算能力、内存和互联性能三大维度，为 AI 工程师提供了在不同部署环境下（云端或本地）选择 GPU 的实用决策框架。带宽是另一个关键的性能维度。从大家用来训练 LoRA 适配器的 RTX 3/4/590，到驱动（并仍在驱动）大语言模型集群的 H100，再到专为大规模生成式 AI 训练与推理而进入数据中心的全

本文系原作者观点，Baihai IDP 仅进行编译分享作者 | Peter Steinberger编译 | 岳扬最近我没怎么在社交平台上活跃，因为我正全身心投入到最新的项目中。如今，智能体工程（Agentic engineering）已经变得非常强大，几乎能编写出我需要的 100% 的代码。然而，我却看到很多人还在费力解决本不该存在的问题，搞出一堆繁复的表演，而不是专注把事搞定。这篇文章的部分灵感

作者通过“代码整洁度检查”这一完整示例，清晰展示了如何组合使用 Command + Agent 实现手动流程，或 Skill + Agent 实现智能主动介入，并强调 —— 选择依据不应是“功能复杂度”，而应是“谁来决定执行时机”。Command 是手动触发器。Agent 并非比 Command “更高级” —— Command 是触发器，Agent 是执行者，它们扮演着不同的角色。Command

BI和AI开发平台并不是非此即彼的替代关系，而是相互协作与补充，共同帮助企业构建强大的数据洞察挖掘能力。

尽管 Nvidia 拥有丰富的资源，数据集的大小适中，答案也相对简短，但研究者们还是通过一种新的 RAG 方法，发送 48K 的文本片段并连同用户查询一起，打破了之前的最先进水平，实现了 47.25 的 F1 score（如果发送的内容更少，F1 score 会更低）基于同义词的搜索确实能够找到关键字搜索遗漏的产品，但这是有代价的。这意味着，当搜索关于“国王”的信息时，系统会优先展示关于“王后”的

这篇论文提出了一种高效的方法，可以在有限的内存和计算资源约束下，将基于 Transformer 的大语言模型（LLMs）扩展到处理无限长的输入。通过将海量外部知识嵌入模型的上下文窗口，CAG 能够生成信息丰富且上下文相关的回答，避免了传统检索增强生成（RAG）系统的检索延迟。这些策略为扩展测试时计算（test-time computation）提供了额外的灵活性（例如，通过增加检索的文档数量或生成

文章通过简历筛选这一典型应用场景，系统阐述了 AI 系统发展的四个核心阶段：从最基础的纯 LLM 架构，到增强检索能力的 RAG 系统，再到具备工具调用能力的 AI 工作流，最终发展为具有自主决策能力的 AI Agent。它尤其擅长处理依赖其参数化知识（即训练阶段内化的信息）的任务，典型场景包括：总结小说内容、撰写关于全球变暖的论述、用 5 岁儿童能理解的语言解释狭义相对论、或者创作俳句（译者注：

的观点（原因已在上文简要说明），但我认为她提出的“数字化进程推动破折号的使用”这一说法非常可信。文章系统梳理并逐一反驳了多种主流解释，然后通过分析标点使用的历史趋势、尼日利亚英语语料库统计数据，以及 GPT-3.5 到 GPT-4o 破折号使用激增的时间节点，有力支撑了“旧书数字化”这一最合理的假说。我们今天为大家带来的文章，作者的核心观点是：当前主流大语言模型对破折号的偏爱，很可能源于其训练数据

唯有当你的模型性能超越业界公开的、性能最好的开源模型，且能在数小时（而非数周）内完成重新训练时，优势才会真正显现。人工智能并非灵丹妙药 —— 尤其是在那些因过去妥协或短视决策累积许多落后技术架构、设置许多机械死板的操作规范、拥有过度保守的官僚体系的传统企业内部。我们今天为大家带来的文章，作者的观点是：真正的 AI 护城河需要系统性地构建六层递进式能力，从技术底座到战略壁垒，缺一不可。例如，Zill

"时，基于 OCR 识别出的错误表格结构数据的 RAG 系统可能曲解数据之间的关系，产生诸如"2025 年研发占比 49%，而 2024 年高达 8,675%"的荒谬回答。这样，它就能准确地做出反应：“您的权益类资产配置在过去的一年内从 45% 攀升至 58%，这是您的投资组合构成中最大的变化。"时，基于传统 OCR 输出的 RAG 系统只能提供有关投资组合组成部分的一般信息，完全无法解读图表中揭