从 100 万份文档构建知识图谱，如何验证它是否可信？
从 100 万份文档构建知识图谱后，如何判断它是否正确成为被忽视的问题。文档结构图（Document → page → chunk）只需保留页面顺序与分块关系，成本较低；语义知识图谱则需实体抽取、关系抽取、身份消解与去重，100 万份文档、每份 50 页、每页约 2000 字符意味着约 1000 亿字符、数百亿输入 token 的推理开销。
#RAG
Hacker NewsAI 评分2626
Hacker NewsAI 评分6262 MTEB 分数到底意味着什么，以及该如何选择嵌入模型
作者分析 MTEB(Multilingual, v2) 的 per-language 榜单，指出其分数按行取无权重均值，导致不同语言实际考的不是同一套题。
科技媒体 RSSAI 评分3636 Agent 不需要记忆插件，需要文档式记忆
作者 kmeh 认为市面上的 Agent 记忆插件架构错误：它们用会话记录生成片段存入 RAG 数据库，每次提示词检索注入最相似的片段。他指出这种方式存在相似度检索无法判断正确性、片段丢失上下文、无法审计等问题，主张 Agent 应改用文档式记忆。
GitHub Blog · AI & MLAI 评分2222 GitHub Podcast 拆解五大 AI 热梗：该不该读 AI 代码、RAG 已死、Skills 杀死 MCP？
GitHub Podcast 最新一期拆解了五个 AI 热门论断：AI 生成的代码仍需阅读，但审查力度应按风险分级；Skills 与 MCP 解决不同问题，MCP 提供连接工具与数据的标准，Skills 则封装团队流程与最佳实践；RAG 并未消亡，检索能为模型提供训练数据之外的相关信息，减少 token 浪费并让回答更有依据。