随着大模型技术的快速发展，智能体（AI Agent）正逐渐成为金融科技领域的重要力量。智能体通过自主学习、决策和交互能力，有望重塑金融行业的服务模式和业务流程。

当ChatGPT答错2023年诺贝尔奖得主时，当医疗AI给出过时的治疗方案时，我们意识到：再强大的大模型，知识也会“冻结”在训练截止日。RAG（检索增强生成）技术的诞生，正为解决这一痛点而来——它让AI学会“查资料”，从此告别一本旧黄历的困境。

上下文工程可以看作是提示词工程的延伸。提示词工程说的是如何编写和安排对大模型的指令，让模型更容易给出理想的结果。

VLA模型能够遵循自然语言指令，继其前身——LLMs和VLMs取得广泛成功后，在具身智能领域的应用日益普及。本文探讨了VLA模型持续发展过程中的10个核心里程碑：多模态性、推理能力、数据质量、模型评估、跨机器人动作泛化、资源效率、全身协调、安全保障、智能体化、人机协作。此外，我们还讨论了空间理解、世界动力学建模、后训练和数据合成等新兴趋势——这些趋势均旨在实现上述里程碑。通过这些讨论，我们希望引起

现有基于知识图谱(KG)的检索增强生成(RAG)方法在处理领域特定任务时存在两大关键挑战：

最近在X上闲逛时，发现了一个好项目：ColQwen-Omni。一款基于Qwen2.5-Omni多模态大模型，可用于任意模态检索的RAG系统。

文章介绍了全球首个评估医疗AI临床适用性的"CSEDB"标准，采用"安全性"与"有效性"双轨评价体系。中国研发的MedGPT模型在该标准下取得全球第一，成为首个经验证具备临床诊疗能力的医疗大模型。医疗AI正从"模拟医生语言"向"参与临床级医生推理"进化，通过"复制医生"创造新的医疗资源，实现人机协作，放大医生能力。

AgentCPM是由清华大学、中国人民大学等机构联合开源的智能体，仅用4B参数就在复杂长程探索任务上超越了30B级大模型。核心模型AgentCPM-Explore支持100轮深度探索，具备类人思考逻辑，能解决高难度复杂任务。项目不仅开源了模型权重，还提供了全套基础设施，包括AgentDock工具沙盒、AgentRL强化学习框架和AgentToLeaP评测平台，支持开发者复现、二开和私有化部署。

《RAGShaper》是北大与腾讯AI实验室提出的新框架，通过自动合成包含干扰文档和纠错轨迹的训练数据，解决了人工标注数据"太干净"导致AI抗干扰能力差的问题。该框架系统性地生成四类干扰文档，并通过"受限导航策略"强制AI遇到干扰并产生纠错行为。实验证明，仅用4.5k合成数据训练的模型即超越了同规模人工标注数据，实现了训练范式的转变——从"教正确答案"转向"教如何在错误中找到正确答案"。

在RAG系统中，问题泛化是连接用户提问与知识库的关键桥梁。它通过保留核心意图、剥离冗余细节、将口语转为标准术语，提高检索召回率和匹配精度，增强系统鲁棒性。问题泛化不是简单删词，而是有判断地提炼关键实体，避免过度泛化导致信息丢失。这一看似简单的预处理步骤，却能显著提升AI问答系统的准确性和用户体验。