主要观点总结
讨论了共识粉碎机在AI领域的影响，涉及长文本与RAG的对比、部署落地与权限安全差别、不同业务场景的选择、搜索场景的选择、数值计算与Text2SQL的选择、技术爬坡方向以及GraphRAG的启发。强调了AI在搜索、客服、Sales Agent、AI Coding、搜索、数值计算、Text2SQL以及技术爬坡上的应用与未来趋势。同时，陈将老师提倡加入Zilliz的AI初创计划，并给出了过往讨论会纪要的参考。讨论了AI如何改造传统工业、推荐系统、教育、客服、Coding软件、呼叫中心、RTC以及大模型未来三年的假设。
关键观点总结
关键观点1: 长文本与RAG的对比
长文本更综合地分析内容，提取数字生成图表，RAG更适合找相关段落，但难以全局理解。长文本在准确性上表现好的原因与长度与准确性选择，及长文本和RAG的上下文长度边界。
关键观点2: 部署落地与权限安全差别
RAG部署有许多系统化优化点，长文本部署相对简单。RAG可以做到高精度权限划分，长文本在权限上更取决于数据架构设计。
关键观点3: 不同业务场景的选择
客服与Sales Agent选择取决于知识库复杂度，AI Coding需结合长文本与RAG，搜索场景选择大概率出于成本考量，数值计算适合使用逻辑模型或规则工具。
关键观点4: 技术爬坡方向
长文本需解决推理质量、贵且慢的问题，RAG技术链路变长，复杂度提高，出现新的技术栈。GraphRAG填补了知识图谱的空白，结合了知识图谱与向量检索。
文章预览
关注共识粉碎机，获取历史讨论会纪要 本期讨 论会参 与者： 陈将老师： Zilliz 生态和 AI 平台负责人 唐飞虎老师： 月之暗面研发工程师，开发者关系负责人 主持人： 周默： 共识粉碎机，前美元对冲基金投资人，曾在腾讯与微软从事战略与投资业务 1 长文本与RAG通用对比 准确率：通常情况下长文本优于RAG 长文本：可更加综合的去分析所有相关的内容，提取相关数字，生成图表，效果尚可。 RAG：更适合找到一段或者是几段可能相关的段落。如果希望大模型能够对问题有全局的认识，比较困难。如，根据上市公司的2020年财务报表，绘制图表，直接用RAG可能效果就不是很好。 长文本在准确性上表现好的原因，以及长度与准确性选择 长文本处理之后，会做对齐和专门的Benchmark测试调整。 比如说之前的大海捞针以及腾讯的数星星的Benchmark，这些是更
………………………………
