推文

眼下正是成为构建者的最佳时机——Opus 4.5 和 Claude Code 所能构建出的产品，其质量与完成度屡屡令我惊叹。

因此，我决定付诸行动：重拾产品创始人的身份，加入我们的 Labs 团队，亲临技术前沿，动手构建那些旨在利用 AI 攻克世界最棘手难题的产品。很高兴能将接力棒传递给 Ami Vora，在她领导产品团队推动 Claude 规模化发展之际。

看到 AI 在医疗领域开始真正‘大显身手’，实在令人振奋。

中国的研究人员发现，一款 AI 工具在识别胰腺癌方面的表现已优于放射科医生。

与此同时，斯坦福大学的研究人员也开发出一种新的基础模型，仅凭单晚的睡眠数据便能预测疾病风险 🤯

Qdrant 实战案例：实时语音 AI 演示

Henryk Brzozowski 为一家汽车经销商构建了一个语音 AI 演示，该系统在实时电话通话中运行 —— 依托于 Qdrant 的实时检索功能。

工作流程简单而高效：
- 经销商分享一个包含其汽车库存的 Google Sheet
- 数据在 Qdrant 中被索引
- 语音 AI 便能实时地以自然语言在通话中回答客户问题

客户可以询问诸如：
- “你们有价格低于 3 万美元的福特吗？”
- “你们有奔驰吗？”
- “有 2022 年款且里程数低的吗？”

系统按价格、品牌、型号、年份和特性进行搜索 —— 实时从库存数据库中检索匹配的车辆信息，并在不到一秒内给出响应。

这是 RAG 在实时语音场景中运行的绝佳范例，展示了快速、结构化的检索如何实现自然流畅、生产就绪的 AI 体验。

#Qdrant #VectorSearch #RetrievalAugmentedGeneration #RAG #VoiceAI

🧥 一款时尚应用 → 旨在为用户提供个性化体验。@mozatnigeria 运用 AI 技术，规模化地优化了在贝宁城的个性化推荐决策流程。

要持续交付这种体验并非易事。
随着 Stylepedia 的图像库快速增长，团队面临双重挑战：规模与速度。

Stylepedia 需要高效地存储、管理、索引并比较服装图像——这些图像在分辨率、尺寸和视角上差异巨大——同时仍需在几毫秒内返回图像相似性搜索结果。

为了解决这个问题，Mozat 采用了 Milvus 作为 Stylepedia 图像搜索系统核心的向量相似性搜索引擎。
🚀 关键结果
• 凭借快速扩展能力，处理了数百万的向量嵌入
• 实现了高精度的图像相似性搜索性能
• 保障未来可扩展性，以应对图像库的持续增长
• 基于视觉相似性，驱动个性化推荐决策

借助 Milvus，Stylepedia 从一个数字衣橱演变成一个智能时尚伴侣——赋能更智能的时尚体验。

🔗 完整故事：zilliz.com/customers/moza…
———
👉 关注 @milvusio 获取为大规模 AI 提供动力的真实世界向量数据库用例。
#VectorDatabase #BuildwithMilvus

企业知识从来不止于文本。

通过多模态嵌入与重排序技术，Dify 现支持在统一语义空间中对文本和图像进行联合检索与推理。这意味着图表、截图和产品照片可直接作为可操作上下文，融入 RAG 工作流，赋能视觉 LLM。

该指南详解了其技术设计、多模态 RAG 中嵌入与重排序的协同机制，并提供了一个实际工作流示例。

探索其工作原理： dify.ai/blog/multimoda…

#Dify #KnowledgeBase #RAG #VisionLLM

AI 智能体不仅会产生幻觉，还会受‘上下文腐化’的影响。🧠📉
随着上下文窗口增长，检索准确率可能下降高达 30%。上下文窗口越大，数据量固然增加，但数据相关性未必同步提升。

以下是如何通过上下文工程来解决这个问题：
✅ 先进先出 (FIFO) 检索：不要过度填充提示词。仅在智能体触发特定工具时获取数据。
✅ 双重知识库：使用 Milvus 管理稳定、长期的知识库，并利用智能体工具处理实时日志与 API 数据。
✅ 摘要循环：不要传递原始历史记录。对先前的步骤进行摘要，以保持‘工作记忆’精简高效。

核心原则：小而精的提示词，远胜大而杂的提示词。
阅读完整深度解析：milvus.io/blog/keeping-a…
———
👉 关注 @milvusio，探索非结构化数据的无限可能！

🌕 @gru_space 正在建造耐用的太空栖息地，以便人类有朝一日能在月球和火星上生活。

其首次任务将开采月球风化层，在月球上建造一个用于商业太空旅游的长期加压栖息地——也就是一个月球酒店。

祝贺启动 @skyler_chan_！

ycombinator.com/launches/P9g-g…

Stoke Space 正致力于打造世界首型完全可重复使用火箭，其目标是实现发射、安全再入，并几乎能立即再次执行飞行任务。

在本期《Hard Tech》节目中，@aaron_epstein 与 @stoke_space 的联合创始人 @AndyLapsa 和 @Rkt_Da 展开对谈，共同探讨了他们为何选择迎战火箭科学中最艰巨的挑战之一、作为一家规模较小的初创公司如何将之转化为独特优势，以及完全可重复使用技术将如何为太空飞行的未来开启新的可能。

00:00 — 开场介绍
01:16 — Stoke Space 的使命：快速复用能力
02:18 — 第二级舱段再入失败的原因
03:34 — Stoke Space 的第二级解决方案
05:30 — 可重复使用优先设计理念
07:25 — 早期发动机研发与测试策略
10:48 — 垂直整合与制造
11:21 — 迭代速度作为竞争优势
12:29 — 软件作为核心基础设施
14:00 — 入轨路径与发射操作
15:04 — 这将如何改变世界

【OpenAI for Healthcare】

ElevenLabs 刚刚攻克了语音转录的难题。

他们的新模型 Scribe v2 在词错误率指标上达到了最先进水平，能够轻松处理停顿、笑声和复杂词汇。

其说话人日志功能尤为出色，在区分同卵双胞胎声音的终极测试中实现了零错误。

工作原理如下 👇