How we built our knowledge base
Cerebras 分享了如何构建内部知识库，该系统每天处理超过 15,000 个查询。文章介绍了其数据采集架构，特别是如何通过混合搜索技术（全文搜索、Embedding 搜索、IDF 和时间衰减）来处理非结构化的 Slack 对话，以提高信息检索的准确性和实时性。
相关文档
杀死 2023 RAG 的，是更好的 RAG：9 位检索专家的前沿实战共识「Beyond Naive RAG」
本文介绍 Hamel Husain 主编的演讲合集《Beyond Naive RAG》，汇集 9 位一线检索专家的共识：朴素 RAG（切块+单向量+余弦检索）已失效，但检索增强生成本身远未死亡。全书论证三条主线：长上下文不能替代检索（Context Rot 证明上下文越长模型越不可靠）；评估先于优化（公开基准已污染，须建自有黄金数据集）；复杂性不是目的（慎用图数据库等过度工程）。涵盖 ColBERT 后期交互、推理增强检索（Promptriever、Rank1）、多重表示与智能路由、FreshStack 评估指标等前沿方法，提出'评估驱动+多表示+推理增强+克制架构'的实践观。
Build a business second brain: the 13-lesson guide
本文是 Nick Spisak 的 13 节课教程指南，讲解如何为企业搭建'第二大脑'（second brain）知识库，并结合 AI Agent 使用。作者以自己的公司 Capstone Brands 为例，完整展示了从选择业务问题、创建 GitHub 组织与仓库、用 GitHub Desktop 克隆本地副本、在 Codex 中使用知识库模板发起构建请求，到按销售、营销、情报、财务、运营五大业务职能组织知识的全过程。最终目标是让 Slack 中的 Agent 能阅读公司知识库、回答真实业务问题并引用来源文件。教程还涵盖版本历史管理、访问权限控制、标准操作流程转化为 Agent Skill 等实践要点。
How to build an agent for your product
本文面向工程负责人，讲解如何为产品构建 AI Agent 并部署到三个渠道：产品内聊天界面、作为 Claude/ChatGPT 的连接器、以及 Slack 工作区。作者提出 v0 Agent 由模型、工具和指令三部分组成，并强调应自己掌控 Agent 编排而非简单暴露 API。随后介绍 v1 的改进：会话连续性、上下文精简、接入产品知识库、用户学习与历史会话搜索。最后通过 Agno 的 AgentOS 将 Agent 封装为 REST API 产品，支持流式输出、会话管理、数据隔离与后台执行，帮助产品解锁新的分发和收入机会。
Bypassing Figma & Building a Knowledge Product
本文介绍了Little Plains团队如何将多年积累的工作室资料转化为可搜索的知识中心，并在此基础上构建了首个产品。文章详细阐述了知识层的构建过程，包括归档、索引、检索系统的设计，以及如何通过视觉搜索、动态聊天和语音三种方式提供公共访问。作者强调了组织知识的重要性，并分享了从传统设计转向代码驱动设计的经验，以及如何区分快速知识与深度知识以优化检索效率。
《指挥 AI，做出一个企业级 Agent》08：企业 RAG 不是上传几个 PDF
文章指出企业 RAG 不仅仅是上传 PDF 回答问题，更需关注文档版本、权限、来源追溯及停用管理。作者通过模拟企业真实文档环境，构建了包含版本控制和过滤机制的评测体系，强调了可靠检索与诚实无答案的重要性，并分享了针对小规模知识库的技术选型经验。
How we built our knowledge base
Cerebras 分享了构建其内部知识库的经验。该知识库每天处理超过 15,000 个问题，集成了 Slack、GitHub 等多种数据源。文章详细介绍了如何通过 Postgres 存储 embeddings，并采用混合搜索策略（全文搜索、向量搜索、IDF 加权、时间衰减）来高效检索非结构化对话数据，解决了信息分散和匹配精度的问题。
How we built our knowledge base
Cerebras 介绍了其内部知识库的构建过程，该知识库每天处理超过15,000个问题。系统通过从Slack、GitHub等平台提取数据，利用Postgres存储嵌入和元数据，结合全文搜索、向量搜索、IDF和衰减时间等混合搜索技术，实现了高效的信息检索。
如何把聊天记录变成可检索知识库（2026版）
文章探讨了如何将微信、Telegram等平台的聊天记录转化为可用的个人知识库。作者从数据获取、清洗降噪（语义分块、去重、上下文修复）到存储检索（Embedding选型、GraphRAG）提供了全流程的技术指导，并提出了数字分身、知识传承等多种应用场景。
如何精通 RAG 并构建拥有完美记忆的 AI Agent (全流程教程)
本文是一篇关于检索增强生成（RAG）技术的完整教程。文章指出，大多数 AI Agent 难以落地的原因在于模型无法获取企业私有数据。RAG 通过将外部知识库与大模型结合，解决了这一痛点。作者详细拆解了构建 RAG 系统的五个核心阶段：文档摄取与分块、文本嵌入、向量存储、信息检索以及最终生成，并提供了关于分块策略、嵌入模型选择及混合检索的实战建议。
开源微信流 APP：手机微信聊天记录直接给 WorkBuddy 和 Obsidian
作者苍何介绍了开源项目 WeChatBridge（微信流）的 iOS 版本发布。该工具可将微信聊天记录批量转发给 Codex、Claude Code 等各家 Agent 进行总结分析，也可沉淀到 Obsidian 作为个人知识库。作者分享了借助 Claude Code 和 Kimi K3.1 Pro 开发 iOS 版的过程：先让模型制定详细计划和技术文档，再照文档执行，6 个多小时完成了原计划 18 个工作日的工作。文章强调"别跟它聊需求，跟它定验收"的 Agent 开发心得，并详细介绍了 iOS 版的收、存、投功能，包括分批收集超过 100 条消息、场景化提示词、隐私安全设计等。
Harness engineering for a new hire: the AI employee's first hours on my motion workflow
作者将一名名为 Viktor 的 AI 员工接入工作室的 Slack，并把自己的 motion 工作流交付包交给它检查。首次任务是检查 harness ZIP 包（8 个 Markdown 指令文件和 4 个辅助文本），为读者准备快速上手指南和交接清单。Viktor 返回四份文档，并发现七个在 README 中被引用但未包含在交接中的 QA 和溯源记录——这是作者自己的遗漏。作者随后纠正：指定 LAUNCH-PROMPT.txt 为主路线，补充七个 QA 记录，并要求将读者说明控制在 80 字内。文章详细记录了任务下达、首轮审查、纠正与修订、说明批准和最终结果，展示了如何通过明确的上下文、输出定义和人工审核步骤来有效管理 AI 协作者。
Grok Bot Memory Engineering: How One Agent Learns With a Team
文章围绕 Grok Bot 新发布的 Team Bots 展开，深入分析团队级 AI Agent 的记忆工程。核心观点：团队 Bot 需要在共享学习与私有上下文之间划清边界。作者提出将上下文分为五类：实时源数据、团队技能、团队记忆、私有笔记和任务状态，并强调'可复用判断放记忆，易变数据留在源头'的原则。文章还提出记忆准入卡与审查机制的设计方案，包括准入门槛、外部账本、审查日期和评估流程，避免 Bot 在错误位置记住错误信息或把过时决策套用到新场景。作者同时说明这些流程是其提议方案，而非已验证的产品功能。
