#RAG

使用 Amazon Bedrock AgentCore 生成演示文稿

基于 Amazon Bedrock AgentCore 构建的 AI 智能体系统可将季度报告、合规文档和市场分析自动生成 PowerPoint 演示文稿，内部测试中耗时不到 90 秒。

原文发布 10月13日 23:54

ShipStation Global 如何在 Amazon Bedrock AgentCore 上构建 AI IT 服务台

ShipStation Global 工程团队基于 Amazon Bedrock AgentCore 打造了 Slack 内的 AI IT 服务台 Deckhand，上线后解决了 97.5% 的渠道提问，员工正面反馈率达 96%。

Orca Security 利用 Amazon Bedrock 实现自然语言安全查询

Orca Security 与 AWS 合作，基于 Amazon Bedrock 构建了自然语言查询智能体 Discovery AI，可将自然语言问题转换为 Sonar 查询。相比初始基线，查询成本降低 90%，输入 token 减少 93%，延迟降低 75%，目前每天处理数千次查询，响应时间 15 秒。

Postman 如何在 Amazon Bedrock 上为 4000 万开发者运行 Agent Mode

Postman 的 Agent Mode 运行在 Amazon Bedrock 上，为 4000 万开发者提供跨 API 测试、文档、发现和实现的 AI 原生工作方式。

One Brain Means Owning Your Organizational Memory

Leapfrog 团队正在构建名为"one brain"的组织记忆系统，让公司知识、客户上下文、会议与决策可通过智能体以自然语言查询。其最小技术栈为 OpenClaw 沙箱、GitHub 仓库、本地 Obsidian 与 Telegram，研究库当时约 1200 个文件，并另设客户信息库。

你的 AI 不是笨，是看不见

VarOps 作者总结为跨组织智能体构建记忆系统的经验，认为问题不在模型推理能力，而在于关键决策从未被记录成智能体可用的形式。

Markdown Is All You Need

LlamaParse 以 Markdown 作为文档解析的默认输出格式，保留标题层级、阅读顺序、列表和表格结构，复杂表格则用 HTML 的 colspan、rowspan 保留合并单元格，并支持管道表格与 HTML 表格。Markdown 还能减少发送给模型的格式 token，配合图像、页码和边界框等布局信息，便于检索、抽取和智能体流程复用。

贷款处理工作流：如何实现从申请到审批的文档提取自动化

LlamaIndex 发布贷款处理工作流方案，用 LlamaParse 按文档类型分级提取数据：W-2、银行流水、工资单走 Cost-Effective 模式，税表、企业财报、评估报告和产权文件走 Agentic 模式，并支持跨文档校验。方案指出自雇借款人贷款档案平均 150 至 200 页，商业地产贷款可达 50 至 200 页，瓶颈在于文档类型和版式差异过大。

为生产级 AI 激活你的数据层

Google Cloud 发布一系列实验课程，演示如何在 AlloyDB 和 Cloud SQL 中生成并使用嵌入向量做语义搜索，为 RAG 提供 grounding 数据。AlloyDB 还支持多模态嵌入，可同时用文本和图片搜索，并提供 AI.IF 函数即时语义搜索与重排序，无需数据准备。QueryData for AlloyDB 支持用自然语言生成 SQL 并构建数据智能体。

AI 文档抽取：为什么 Schema 才是出问题的那一环

AI 文档抽取的读取环节已相当成熟，真正的准确率瓶颈在 Schema 定义，而这一层几乎从不被审计。Schema 中一个 required 字段会迫使模型在文档没有该字段时编造数值，同一字段在不同发行方含义不同、一对多结构被声明为标量，都会让流水线输出格式正确却内容错误的 JSON。