Grep 还是向量嵌入？面向公司文档的智能体搜索 — George He，LlamaIndex

QwenLM/BabelArena

一个 GitHub 仓库（Apache-2.0 许可），README 介绍 BabelArena：面向 LLM 智能体的多语言基准，从四个智能体基准家族中取 699 个标准任务、覆盖 13 个领域，各改编为 23 种语言，共 16,077 个任务实例；每个语言变体保留原任务身份和评估标准以便跨语言对比。变体由代理式工作流 BabelFlow 构建，经多层验证与人工审核后采纳。对五个前沿模型的评测显示，没有单一模型在四个家族上全面领先，低资源语言出现更多工具使用与控制流错误、相同任务下输入 token 可达英语的约两倍等。仓库附有 arXiv 论文链接（arXiv:2609.23490）。

检索增强生成：基础思想

Retrieval Augmented Generation, The Foundational Ideas

Ben Auffarth 撰写、Manning Publications 出版的书籍，共 438 页，预计出版日期为 2026-12-15，尚未出版，目前在 Manning MEAP 目录中连载。书中按论文逐一梳理 RAG 背后的一系列技术研究，介绍 RAG 2020 年作为可训练神经架构提出后发展出的索引、检索、纠错、压缩与评估等方法，并说明各项创新分别解决什么问题，以及如何自行实现主要 RAG 架构。

推出 Agentic Search | Mistral

Introducing Agentic Search | Mistral

这是 Mistral 发布 Agentic Search 的产品公告，介绍其作为检索层，让 AI 系统在复杂文档和数据源中导航、阅读与核验信息。文中称该方案在 FinanceBench 和 OfficeQA Pro 基准上取得更准确的结果，同时减少轮次、token 用量和延迟，并采用多步检索循环来查找、检查与验证信息。它通过 Mistral Search Toolkit 提供，并内置于 Studio 和 Vibe 的 Libraries 中，文中还提及对敏感领域数据与本地部署隔离边界的支持。

通过 MCP 实现人机协同（Human-in-the-loop）

Human-in-the-loop over MCP - Docs by LangChain

LangChain 官方文档的一页，说明当通过 MCP 端点暴露的 agent 调用 interrupt 时，Agent Server 如何用 elicitation 向 MCP 客户端索取答案并在收到回答后恢复 agent。文档描述了工具调用暂停与恢复的往返流程（resultType 为 input_required、elicit/create 请求、requestState、inputResponses 等），并注明需要 langgraph-api>=0.18.0 及支持协议修订版 2026-07-28、声明 elicitation 能力的 MCP 客户端。适合用 LangSmith/LangGraph 部署 agent 并接入 MCP 的开发者查阅。

保险理赔是 AI 最难处理的数据问题

Insurance Claims Are AI's Messiest Data Problem — Denys Linkov, Wisedocs

Wisedocs 的 Denys Linkov 讲解保险理赔数据中充斥手写、传真、重复文件和 8GB 级 PDF 等非结构化内容，为何这既是保险 AI 的最大障碍也是最大机会。内容按步骤展开：清洗数据、单份文档内分析、跨理赔洞察，并介绍 Wisedocs 与 Artificial Analysis 合作构建的基准，用于测试模型处理医疗记录的能力。最后谈及处理技术栈以及监管、成本等话题。