文章演示如何在 LangChain 与 Amazon Bedrock Managed Knowledge Base 中使用标准检索和智能体检索，比较它们处理多部分问题的方式。标准检索以一次混合搜索返回结果，智能体检索则拆分子查询、评估证据并在需要时继续搜索；前者更快、更便宜，后者在多跳问题上的召回有所提升，但成本和延迟更高。
推荐理由：文章用同一多部分问题对比单次检索与规划式检索，并拆解其成本、延迟和召回取舍，提供了按查询复杂度选择路径的依据。
企业 AI 智能体缺乏组织语境知识，是项目难以投入生产的重要原因；平均只有 34% 的智能体项目进入生产阶段。调查发现，生产表现较好的组织知识能力更强，数据碎片化则是扩大智能体知识访问的首要挑战，55% 的受访者提及。企业计划投资检索技术、AI-ready API、RAG、AI 评估智能体和知识图谱，以加强数据与智能体的连接。
GitHub 播客讨论 AI 开发中的五种热点观点，认为开发者仍须审查并对生成代码负责，但应按风险分配精力。Skills 与 MCP 解决的问题不同：前者提供背景、流程和最佳实践，后者连接工具与数据；RAG 也没有过时，可与 Agent、Skills 和 MCP 协同使用。
Mistral推出Agentic Search检索层，让AI系统能够跨数据源搜索、浏览和核验复杂文档，并报告其在FinanceBench和OfficeQA Pro上的准确率提升。
推荐理由：文章用 FinanceBench 与 OfficeQA Pro 对比单轮 RAG，展示迭代检索和文档导航对准确率、延迟与 token 消耗的影响。