Haystack 入门:从一个 RAG Pipeline 看清 LLM 编排框架
26k stars 的老牌框架,比 LangChain 更早做 Pipeline-as-Graph。从 30 行代码出发,拆它的组件、架构和生产化能力。
扫岗、A-F 评分、定制 CV、追踪进度——santifer 把自己的求职流程开源成一套跑在本地 CLI 的多 Agent 工具,66k stars,真实跑出过 offer。
26k stars 的老牌框架,比 LangChain 更早做 Pipeline-as-Graph。从 30 行代码出发,拆它的组件、架构和生产化能力。
LangChain 这类脚手架迟早会被权重吞掉。下一层抽象不再主要帮模型管上下文,而是帮人类管理注意力——这是 Latent Space 最近的核心判断。
RL 圈最近在传一个数字:模拟器训出来的策略,效果只差 10%,成本掉两个数量级,速度快一万倍。问题不是能不能用,而是为什么还没人敢全切。
通用 benchmark 测的是"会不会说话",FinSkillBench 测的是"会不会算账"。组合构建、风险管理和基本面分析三套题,直接考 Agent 能不能调对数据、跑对模型、出对报表。
FraudBench 测的不是诈骗话术本身,而是攻击者在多轮对话里反复适应 Agent 防御的能力——能不能守住联系方式、PIN、转账权限这三道闸。
高质量基准早已存在,问题出在治理——全球排行榜从不强制纳入南方数据集,而商业压力只够修正结果,不够修正规则。
StateMemBench 拿 234 个多会话场景开刀,发现现有 Agent 记忆基准只测 recall,真正难的状态跟踪没人测。
arXiv 2608.19408 盯上 OPD 范式的隐含假设:teacher 给的 token-level reward 当 reasoning progress 的代理变量。两者经常打架——某些高奖励的 token 反而在拖推理后腿。
Latent Space 做了次外部逆向工程,把 Memory、Browser Use、Plugins 那七块拼回去看。OpenAI 没公布的架构,民间复刻了一份。
arXiv 新论文指出:LLM 安全对齐几乎只用英语训练,导致非英语场景下过滤失效。印度多语言用户成了第一批受害者。
Muse 推出 Glimmer 和 Spark 两款开放权重模型,Glimmer 直接对标消费级 GPU。3090 不是随便选的——背后是叙事争夺战。