LangChain 针对幻灯片场景发布多模态 RAG 模板和包含 10 个问题的公开基准。在 Datadog 财报幻灯片上，多模态嵌入方案 CoT 准确率为 60%，图像摘要加 multi-vector retriever 达 90%，均高于仅文本抽取 RAG 的 20%；作者指出图像检索是核心挑战，并基于 Chroma 与 OpenCLIP 嵌入提供两步启动的部署模板。
推荐理由：原文给出两种多模态 RAG 方案的对比评测与开源模板，读者可以直接复用其基准和部署路径。
Waii 与 LlamaIndex 集成推出新的 text-to-SQL 插件，让 LlamaIndex 智能体可同时调用数据库与 PDF 数据源。该插件通过内置编译器、知识图谱和语义规则，解决中大型数据库（数百张表、数千列）在 LLM 上下文窗口受限时查询不准的问题。
LlamaIndex 发布 Llama Datasets，一组由社区贡献、含问答对和源上下文的数据集，用于对不同用例的 RAG 流水线做基准评测，首批上线 10 个数据集，包括 PaulGrahamEssayDataset、FinanceBench、Uber/Lyft 2021 10K Filings 等。
OpenAI Cookbook 发布了一份使用 LlamaIndex 评估 RAG 系统的指南，分为理解 RAG、用 LlamaIndex 构建 RAG、评估 RAG 三部分。
开发者用 ResNet18 做动物图像分类、Cohere LLM 生成对话、LlamaIndex 做编排层，构建了受 Pokémon Go 启发的多模态 RAG 应用 AInimal Go!
LlamaIndex 推出 Llama Packs，一个社区驱动的预打包模块合集，用于快速启动 LLM 应用，已在 LlamaHub 上线 16+ 个与 Streamlit、Weaviate、Voyage AI 等伙伴合作的模板。模块可通过 CLI 或 Python 一行代码下载，支持开箱即用运行 RAG 管线，也可查看和修改全部代码，例如将默认 OpenAI LLM 替换为 Anthropic。
推荐理由：原文给出下载方式和代码示例，读者可以据此了解如何用预打包模块快速搭建 LLM 应用并自由定制。
LlamaIndex 发布 RAGs，一个 Streamlit 应用，无需写代码即可用自然语言创建并定制 RAG pipeline，对自己的数据实现「ChatGPT over your data」。
推荐理由：原文给出了用自然语言搭建 RAG pipeline 的三步流程、可编辑参数清单和开源仓库，读者可以直接部署复用。
Zephyr 7b LLM 结合 LlamaIndex 用于从图像文档中提取信息，以应对 OCR 在复杂版式、低质量图像、手写体和多语言场景下的局限。
LangChain 撰文解读 OpenAI 在 demo day 分享的客户 RAG 实验，将其归纳为基线检索、查询变换、路由、查询构造、索引构建和后处理等类别。
推荐理由：原文将 OpenAI 分享的 RAG 实验逐项拆解，并给出 LangChain 中可直接复用的对应实现入口。
LlamaIndex 现已支持基于 Cohere 微调 reranker（Custom reranker）构建自定义重排序模型，用于提升 RAG 检索性能。教程以 Lyft 2021 10K 文件训练、Uber 2021 10K 文件评测，训练至少需 256 组 query 与相关段落对、验证需 64 组，并建议提供约 5 个 hard negatives 以获得明显提升。
LlamaIndex 发布博客讲解如何评估多模态 RAG 系统，提出沿用文本 RAG 的检索与生成两阶段评测框架并做适配。
LlamaIndex 发布 0.9 大版本，引入 IngestionPipeline 数据摄取抽象，转换步骤自动缓存以加速重复运行。
推荐理由：官方梳理了 0.9 的数据摄取缓存、接口精简和 tokenizer 默认值变化，开发者可据此评估升级成本与迁移要点。
LlamaIndex 推出 create-llama 命令行工具，通过 npx create-llama 即可交互式生成一个可与自己数据对话的全栈应用。
推荐理由：原文给出了脚手架工具的技术选项和数据接入方式，开发者可以据此快速判断是否用它搭建 LlamaIndex 应用。
LlamaIndex 发布多模态 RAG 支持能力，新增 OpenAIMultiModal、ReplicateMultiModal、MultiModalEmbedding（CLIP）和 MultiModalVectorStoreIndex 等抽象，可对文本和图像统一索引与检索。
推荐理由：原文由 LlamaIndex 给出多模态 RAG 的新抽象与代码示例，读者可以直接了解 GPT-4V、CLIP 与 Qdrant 在同一管线中的组合方式。
开发者基于微软 KOSMOS-2、Google PaLM API 和 LlamaIndex 搭建了一个 Streamlit 多模态原型，作为 ChatGPT 视觉能力的替代方案。
LlamaIndex 在 OpenAI 开发者日当天更新库，支持 gpt-4-1106-preview（GPT-4 Turbo，128,000 token 上下文窗口、JSON mode、并行函数调用等）和 gpt-4-vision-preview 多模态模型。同时新增 Azure OpenAI 端点、嵌入抽象与函数调用示例，其 RAG 演示 SEC Insights 已改用最新版 GPT-4。
推荐理由：LlamaIndex 当天即完成对 OpenAI 新模型的支持，读者可借此了解新能力在 RAG 工作流中的接入方式。
LlamaIndex 介绍如何在 RAG 中使用 LongLLMLingua，通过问题感知的粗粒度重排、细粒度提示词压缩和子序列恢复来增强 LLM 对关键信息的感知。
推荐理由：原文拆解了 LongLLMLingua 的粗细粒度压缩与重排细节，并给出在 LlamaIndex 中作为 NodePostprocessor 的用法，可迁移到自己的 RAG 成本优化。
LlamaIndex 用其 Retrieval Evaluation 模块，以 Hit Rate 和 MRR 两项指标评测多种 Embedding 模型（OpenAI、Cohere、Voyage、Jina、bge-large、Google PaLM 等）搭配不同 Reranker 的检索效果。
推荐理由：原文提供了可复现的评测脚本和各嵌入与重排模型组合的 Hit Rate 与 MRR 数据，读者可以照此在自己的数据上选型。
LlamaIndex 解读 NVIDIA 研究，用 Nemo GPT-43B（扩展至 16K）与 LLaMA2-70B（扩展至 16K/32K）在 7 个数据集上比较检索增强与长上下文扩展。
Meta AI 研究团队提出 RA-DIT（检索增强双重指令微调），通过分别微调 LLM 与检索器，让任意 LLM 获得检索能力。在知识密集型任务上，RA-DIT 65B 的 0-shot 平均 EM 达 50.5，高于 LLAMA 65B REPLUG 的 43.1 和 LLAMA 65B 的 32.9；64-shot 微调下平均 60.9，略超 ATLAS 的 56.8。
LlamaIndex 发布教程，介绍 LayoutPDFReader 如何结合层级布局信息解析 PDF，实现章节识别、段落合并、表格与列表处理等内容感知分块。文章给出接入 llmsherpa API 和构建 LlamaIndex 向量查询引擎的示例代码，并说明该工具仅支持带文本层的 PDF，暂不支持 OCR。
推荐理由：文章解释了 PDF 解析难点并给出 LayoutPDFReader 的层级解析与智能分块方法，含可直接复用的代码。
作者复盘了 Streamlit LLM Hackathon 冠军应用 FinSight 的构建过程，用 LlamaIndex、FAISS 和 Streamlit 对公司 10-K 年报做 RAG 分析。
LlamaIndex 发布与 Arize AI Phoenix 的一行代码集成，为所有 RAG/agent 流水线提供全链路追踪与可观测性，数据可本地存储并支持导出 trace 用于评测。
LlamaIndex 演示如何用 Response Evaluation 模块评测 RAG 系统的最佳 chunk size，以 Uber 2021 10K 文件为数据。
推荐理由：原文给出可复现的评测流程和具体数据，读者可以据此在自己的 RAG 场景中测试并选定合适的 chunk size。
Kay 与 Cybersyn 合作在 LangChain 上线 SEC Retriever，开发者可通过 KayAiRetriever 检索 SEC 文件（如 10-K、10-Q）的上下文，用于生成式和对话式智能体。
Timescale Vector 集成 LlamaIndex，让开发者用 PostgreSQL 构建 AI 应用。其受 DiskANN 启发的新索引在 100 万条 OpenAI 嵌入向量上实现约 99% 召回率下比专用数据库快 3 倍，比现有 PostgreSQL 索引快 39.39% 至 1,590.33%，并支持 HNSW 与 IVFFlat。
Timescale Vector 与 LangChain 集成，让开发者用 PostgreSQL 作为向量数据库构建 AI 应用。其受 DiskANN 启发的新索引在 100 万条 OpenAI 嵌入上实现约 99% 召回率下比 Weaviate 快 243%，并支持基于时间的向量过滤与 RAG 上下文检索。LangChain 用户可获 90 天免费试用。
LlamaIndex 开源了 SECInsights.ai，加速生产级 RAG 应用开发，并推出 Replit 模板实现零环境配置启动项目。新版本还带来线性适配器微调、层级 Agent、SummaryIndex 重命名及 RAG 评估工具包，检索优化可带来 10–20% 效果提升。
LlamaIndex 推出 EmbeddingAdapterFinetuneEngine，在任意嵌入模型（如 sentence_transformers、OpenAI）的 query 嵌入上微调线性适配器，文档嵌入保持固定、无需重新嵌入。
ChatGPT 的知识截止日期距今已满两年，OpenAI 不直接更新是因为训练新 LLM 成本高达数千万美元且不保证成功，清洗新数据集同样昂贵。若应用需要更新的数据，标准做法是 RAG（检索增强生成），即搜索相关上下文、喂给 LLM、获得更好回答，可规避上下文窗口限制和按词计费的 API 成本。
LlamaIndex 现已支持直接使用 Airbyte 的 Gong、Hubspot、Salesforce、Shopify、Stripe、Typeform 和 Zendesk Support 数据源，以 data loader 形式实现。
LlamaIndex 发布端到端指南，教你在无标注的非结构化语料上用 LLM 生成合成问题对来微调开源嵌入模型 BAAI/bge-small-en。
推荐理由：原文提供了完整的无标注数据微调嵌入模型方法和评测结果，读者可以直接复用笔记本改进自己的 RAG 检索。
Cube 与 LangChain 集成，推出 CubeSemanticLoader 文档加载器，可将语义层数据模型的嵌入向量写入向量数据库，用于将自然语言问题匹配到数据模型中的视图和字段。官方同时提供基于 OpenAI、FAISS 和 Streamlit 的对话式演示应用，示例提示词可生成查询 Cube SQL API 的语句，代码已在 GitHub 开源。
LangChain 与 Airbyte 合作，将 Gong、Hubspot、Salesforce、Shopify、Stripe、Typeform 和 Zendesk Support 七种 Airbyte 数据源实现为 document loaders，可直接在 LangChain 应用中使用。
LlamaIndex 与 Metaphor 发布集成，将 LlamaIndex data agent 与 Metaphor 作为原生 LLM 搜索工具结合，使 agent 能对任意新近或复杂问题进行联网检索并执行任务。
LangChain 发布对 CSV 表格数据问答的基准测试复盘，最终方案是一个使用 OpenAI functions 的智能体，配备 Python REPL 和检索器两个工具。
LlamaIndex 发布教程，演示如何用 Text2SQL 加 RAG 分析商品评论数据。方法先把自然语言问题用 gpt-3.5-turbo 拆成取数与解读两个子问题。
Zep 为 LlamaIndex 推出新的 ZepVectorStore，可直接接入 Zep 的 Document Vector Store。开发者通过 ZepVectorStore 创建 Collection 并构建索引，即可对文档做混合语义搜索，并用 LlamaIndex 的 MetadataFilters 按元数据过滤结果。
LangChain 宣布与 Airbyte 达成更深度集成，在 Airbyte 中新增 LangChain destination，帮助检索类应用把数据摄取逻辑从原型推进到生产。
FlagOpen 开源 FlagEmbedding 项目，提供面向搜索和 RAG 的 BGE 一站式检索工具包，含 Embedder、Reranker 的推理、微调与评测，采用 MIT 许可证。