谷歌Gemini被骂了？让子弹飞一会儿；如何构建高效RAG系统；Pika是腐朽王朝的颠覆者；AGI将重塑组织架构；对话月之暗面杨植麟 | ShowMeAI日报

关注

原创最新推荐文章于 2026-11-13 17:46:27 发布 1.3k 阅读 AI 写同款· GEO 优化 ›

构建前端侧轻量 RAG 问答系统实战随着人工智能（AI）技术的快速发展，前端开发正在从传统的用户界面（UI）设计转向智能化应用的构建。检索增强生成（RAG）是一种结合向量检索和大型语言模型（LLM）的技术，通过从知识库中检索相关信息并生成准确的回答，为智能问答系统提供了强大支持。例如，用户可以上传一个 PDF 文档并提问“文档的主要内容是什么？”，RAG 系统会检索文档的相关部分并生成简洁的回答。这种能力在教育、法律、医疗等领域具有广泛应用，如 Notion AI 的知识库搜索或 ChatPDF 的文档问答功能。阅读详情

👀日报&周刊合集 | 🎡生产力工具与行业应用大全 | 🧡 点赞关注评论拜托啦！

👀 淘宝 X D.Design 堆友 | 淘宝年终好价节 AIGC 创作大赛

https://d.design/competition/taobao-promotion

淘宝携手堆友联合打造了「淘宝年终好价节AIGC品牌共创大赛」。本次比赛以「价格蹦极」为主题，邀请各界AIGC爱好者一同释放创意的无限潜力。

注意！作品征集和人气投票都截至12月12日结束！要抓紧啦！

获奖作品将被制作为淘宝年终好价节品牌官方传播物料，进行大范围曝光，并进行获奖者署名。而且一等奖单人独揽3万现金，总奖池10万💰，获奖概率贼大 👀

🉑 从王者归来到被骂作假，Gemini 这跌宕起伏的一天啊……

https://blog.google/technology/ai/google-gemini-ai/#sundar-note

12月6日，谷歌深夜炸场，发布了最新版本的 Gemini 模型，宣传视频中的「多模态」能力闪瞎了我们的眼。仅从文章标题「Introducing Gemini: our largest and most capable AI model (Gemini：我们规模最大、能力最强的 AI 模型)」都能感受到谷歌这波的踌躇满志和万丈豪情。

简单来说，谷歌成立 Google DeepMind 就全力押宝 Gemini 大模型，并在本轮发布了针对 Gemini 1.0 的三种优化版本：

Gemini Ultra —规模最大且功能最强大的模型，适用于高度复杂的任务 (目前无法体验，至少要等到12月13日)

Gemini Pro — 适用于各种任务的最佳模型 (Bard Experiment 版本已经可以体验，Bard beta 版本还不可以)

Gemini Nano — 端侧设备上最高效的模型 (搭载到了 Pixel 8 Pro 智能手机中) ⋙ 官方博客原文(中文版)

社群总结的 Bard 版本切换小窍门：把 Google 账号系统语言设定为英文，保险起见可以把魔法节点和 Google 账户所在地都设为美国，重新进入 Bard（https://bard.google.com）确认左上角已经切换为 Experiment版本

仅仅一天之后，Gemini 的风评急转直下，从「超越GPT-4」「被OpenAI压着打了一年后终于王者归来」到「宣传视频被曝作假 ⋙ 链接」「中文基准测评远不如 GPT-4 ⋙ 链接」。

个人觉得，目前就对Gemini下判断为时尚早。官方博文里明确说「它将在 170 多个国家和地区提供英语服务，并且计划在未来几个月内扩展不同的模态，并支持新的语言和地区」，也就是对「非英语」任务的支持一般，而且最高性能的 Ultra 版本还没出来 (演示视频都是基于 Ultra 版本的)。

让子弹再飞一会吧。

🉑 devv.ai 是如何构建高效的 RAG 系统的

https://devv.ai

devv.ai 是专门面向开发者的 AI 搜索引擎，目标是替代开发者日常使用 Google / StackOverflow / 文档等进行查询的场景，更加快速地处理 coding 过程中的问题。

很多开发者用户表示，devv.ai 的搜索结果优于 GPT-4，已经设置为默认搜索引擎。devv.ai 开发者 X@Jiayuan 也分享说，产品在一个月时间里收获了6位数的用户、日搜索5万次且每周翻倍，是一次成功的探索。

https://twitter.com/Tisoga/status/1731478506465636749

https://github.com/devv-ai/devv

最近，Jiayuan 在X平台写了一条长推，解释了构建 devv.ai 需要的底层技术。第一篇的主题是「devv.ai 是如何构建高效的 RAG 系统的 🔎」，用通俗易懂且结构化的方式科普了 RAG 的诞生背景和常见的技术解决方案，值得一看~

受限于篇幅，日报将作者分享的核心内容整理如下，推荐去看原文。也推荐 Follow 作者的X账号和 GitHub 项目更新 (作者说会将本篇及更多内容整理在 GitHub)。

RAG (Retrieval Augmented Generation，检索增强生成) 系统是为了解决「语言模型无法有效获得与利用新知识」这一问题而设计的一种架构与技术方案，在最近几年强大语言模型和训练计算能力的支持下，终于得以实现和应用。

RAG目的是让语言模型使用外部知识进行生成。RAG 系统由①语言模型、②模型所需外部知识集合、③当前场景下需要的外部知识这三部分组成。优化 RAG 系统就是分别优化这三个模块。

语言模型

GPT-3 的出现使得RAG系统变得可用，因为它具有较强的理解和生成能力。第一波基于 RAG + GPT-3 的公司 (Copy AI、Jasper等) 都获得了非常高的估值 & ARR。

从2023年开始，出现了大量的开源和闭源的基座模型，如 GPT-3.5 / GPT-4 (闭源方案) 和Llama 2 / Mistral (开源方案)，这些模型都可以在上面构建 RAG 系统。

模型所需的外部知识集合

这个模块主要包括两个部分：embedding 模型和存储 embedding vector 的数据库

前者基本上都使用 OpenAI 的 embedding 模型，后者可选方案包括Pinecone、Zilliz (国内团队)、Chroma (开源的解决方案)、关系型数据库上的 pgvector 等

devv.ai 采用的方式：embedding + 传统的relation db + Elasticsearch，并使用 Rust 构建了整套 knowledge index

更好地召回当前场景下需要的外部知识

作者团队在 encoding 过程中对原始 knowledge 数据进行了大量处理，以确保在 retrieve 时获取到结构化的数据，减少后续处理的复杂性，并提高召回准确率

🉑 月之暗面杨植麟：大模型需要新的组织范式，场景摩尔定律能催生 Super App

https://kimi.moonshot.cn/chat/

月之暗面 (Moonshot AI) 是一家神秘且特别的大模型创业公司。公司目前只发布了一款产品——基于千亿大模型的 chatbot 产品「Kimi Chat」，并在发布之初就打出了「长文本」「自研闭源」「toC」等清晰的标签。

创始人杨植麟毕业于 CMU，师从苹果 AI 负责人 Ruslan Salakhutdinov，曾在 Meta 和 Google Brain 任职，是 Transformer-XL 与 XLNet 等爆款论文的第一作者。

这篇极客公园创始人张鹏与月之暗面创始人杨植麟的对话，质量非常之高，提问和回答都非常有水平！！不同于其他公司的「公关文」，他们在这场直播里深刻讨论战略、组织、产品和人才，讨论OpenAI、AGI、AI Native 和 Super-App，也讨论人类即将踏上征程的未知远方。

我们以前善于目标导向，通向有用，但未来把一件事变得有用、普惠的过程中，可能需要一点 moonshot 的精神。你在瞄向一个高位置的东西，不管打不打得中，至少要往宇宙深处走，往星河深处走，我觉得这是让人兴奋的。往往可能是一些兴奋的目标，聚集起了真正优秀的人。

我们对问答都做了简化，方便快速get核心信息。但是强烈推荐你花20分钟阅读原文，感受下非常「聪明」的思考方式以及高信息密度的输出，体会字里行间闪烁的智慧火花。

大模型时代，对组织形态提出了新的要求

Q1: 如何做出投身大模型赛道的决定

A1: 决策逻辑来源于过去几年对语言模型认知的变化，以及在 Google 观察到的现象,认识到构建新的组织形式是通往 AGI 的必经之路

大模型时代的创新很难被规划

Q2: 为什么组织是核心问题

A2: AGI 时代的底层逻辑发生了变化，需要新的组织形式来匹配；在新的时代，非常擅长 AGI 的组织出现是大概率会发生的事情

Q3: 对 OpenAI 的看法

A3: OpenAI 在人才密度、共同愿景和高效聚焦方面做得很好；他自己则更关注如何找到一个系统性的方式去做事情

Q4: 如何定义创新组织：bottom-up 还是 top-down

A4: top-down 框架在大模型中仍然适用，关键是让组织中的小单元高效地完成任务，以实现整体目标

AGI 的技术路径已经确定，但产品方向仍然有很多未知

Q5: 对 AGI 技术路径的看法

A5: AGI 的技术路径已确定，但产品层面仍存在很多不确定性；组织和创新在这个时代尤为重要，只有把组织做好，才有可能在AGI路上取得成功

Q6: 为什么选择长文本作为专长方向

A6: 长文本是新计算系统的「内存」，具有非常高的价值

闭源路线是为了打造 AGI 时代的 Super App

Q7: 对于开源模型和闭源模型的看法

A7: 开源和闭源在大模型领域是互补关系，Moonshot 选择闭源是为了专注于打造超级应用，这是核心策略

Q8: 为什么选择 toC 业务而非 toB

A8: 新的技术变革为 toC 领域带来了新机会，希望建立一个与AGI目标匹配的业务模式，并实现快速闭环和迭代

Q9: 对AI Native概念的理解

A9: 在 AI Native 的背景下，产品经理需要关注如何通过两个数据集 (训练数据和测试数据) 开发产品，以及如何训练和调试模型

Q10: 是否必须端到端地开发 Super-App

A10: 要实现真正的 Super App，需要端到端地做这件事，这样可以形成产品的差异化优势，并且让模型跟随应用共同成长

新时代产品经理需要具备的素质：快速迭代

Q11: 当前产品经理的角色变化

A11: 新的产品经理需要在「神性」和系统性之间寻找平衡；在AGI时代，系统可能是主力军，但仍需要“「神性」的指引

Q12: 团队招聘产品人的特质

A12: 团队成员需要具备开放心态、学习能力和快速迭代的特质，团队希望找到对 AGI、Super-App 和全球市场有激情的人

Q13: 对智能摩尔定律的看法

A13: 认同智能摩尔定律的观点，但更关注场景摩尔定律；有多少场景被解锁，以及如何实现指数级上升，这将是下个时代最伟大的公司的关键指标

Q14: 硅谷和中国创新者的文化和能力差异

A14: 硅谷工程师文化强调技术和创新，而东方文化强调实用性和商业模式；未来最伟大的公司可能会结合这两种文化，实现技术和商业的双重成功 ⋙
强烈！推荐！完整阅读原文

👀 从 HeyGen 到 Pika，AI视频商业化中的生存与生态

AI生成视频领域最近比较火的两款应用是 HeyGen 和 Pika。HeyGen靠「Taylor Swift 说中文」「郭德纲说英语」的视频火爆出圈后，吸引了一大波新用户并获得了一笔新的融资。Pika 铺天盖地的营销和被扒出的更多幕后则显示其「资本宠儿」的身份稳固。

这篇文章的作者 (应该是投资人背景) 从商业化和生态等角度，分析了 HeyGen 和 Pika 面临的挑战，以及可能颠覆并重构的新兴商业帝国。当我们还在争论一款AI应用是否好用的时候，已经有人洞察到了未来~ (作者文笔相当凝练，信息密度很好，日报摘录几段并推荐阅读原文)

HeyGen的收入增长能否跟得上它的估值和流量，是决定它未来两三年资本运作的核心要素。

但即使是需要深度耕耘才可能有收获的场景，也不得不内防同行，外防大厂。阿里的 Animate Anyone 和字节的 MagicAnimate 都在最近发布，可以很明显的看到这两款产品对于直播和短视频的意义。

由于大厂可以为自己的业务服务而无需考虑短期收益，会将其能覆盖到的方向迅速内卷。

互联网从未真正改变影视行业，只是在旧模式中塞入了新的渠道和资本势力。内容制作与组织结构仍把持在“圈内人”手中，并很快与互联网新贵沆瀣一气。而AI视频，终于让我们看到了打破影视领域圈子垄断的可能性。

即使不是Pika，也会是其他视频生成公司。但凡投资人在人生中对推翻好莱坞霸权有过一点想象，都会理解这项技术代表何种梦想。在这个过程中，落地与否不那么显眼，因为终点有望得见的巨额金钱。

就如同图片生成网站往往都伴随一个发布图片的社区，未来在Pika上制作的电影、剧集或动画，必然可以直接在Pika发布。这可能是第一次，影视行业的制作、发行和渠道在同一家公司身上无缝衔接。不需要采购和投资，只要与创作者约定版权收益的分成比例，就可以把源源不断的内容提供给观众 ⋙ 推荐阅读原文 (账号的文章都挺不错)

🉑 从大模型到 Agent 会改变的游戏规则

最近在跟AI创业者和开发者们讨论「生成式AI浪潮对公司组织架构的影响」，有很多观点的交锋非常有意思。最近讨论这个话题的文章也挺多，有几篇的内容逻辑和深度非常不错！今天日报推荐两篇~

我们一起来深度思考下，除了甚嚣尘上的「降本增“笑”」「AI让我丢掉了工作」这些话题之外，AI怎样深刻地改变了生产力和生产关系，而这又将如何深刻地影响我们每个人未来的命运。

以下是文章完整的逻辑。这位作者的文章质量都很高，就是行文有点…晦涩… 需要集中注意力去理解内在逻辑~ 如果你不关心推导过程想直接看核心内容，从原文中间的「组织力」部分开始看就OK~

智能先要跨过一个个界限，然后才是不同领域的Agent逐步成立，这种界限可以用图灵测试2.0进行度量。跨过界限之后很可能会对组织方式进行重构。

当组织力的内涵发生变化后，才可能普遍产生10倍的效能，影响一个一个行业。这时候沉淀到组织关系中的，不同行业的各种积累可能就会变为负债，反倒是形成真正的从大模型到Agent的新机会 ⋙ 阅读原文

🉑 AI或将重塑现代公司组织架构 | 附：重塑的例子

接着上方的讨论，我们看看这篇文章更当下、更具体的讨论。也就是说，面对汹涌澎湃的生成式AI浪潮，面对一定会发生的组织变革，此时此刻的我们可以做些什么。

要在AI浪潮下重塑组织，可以遵循以下三点原则：

授权团队寻找自己的使用场景：引入AI并非简单的IT解决方案，而是像引入一位新团队成员；每个团队和个人需根据自身场景找到合适的AI应用方式；激励机制应鼓励实验与沟通，公司文化要拥抱自由思想

拥抱错误和不确定性：组织变革需要时间，变革后的组织形态可能固化，因此下一代组织架构需足够灵活，让团队有充分空间迎接新模型

从今天就开始，不断迭代：采用现有AI功能后，组织需持续优化；将AI应用的测试周期缩短为数天甚至数小时，会对工作方式产生深刻影响；企业在面对指数级变化时，要么反应过早，要么反应过晚

作者自己团队是如何纳入AI帮助做出更加「智能」决策的呢？这是个复杂且反复的过程：

使用AI提供反馈：AI可根据用户定义的角色提供相当满意的反馈，作为初步反馈手段

使用AI整理和总结信息：AI可帮助团队更有效地开会，还能生成产品原型或网页代码等使讨论更直观

改变工作流程：即使是使用现有的AI工具，也可以彻底改变整个工作流程，使理论探讨更落地

未来的AI想象力：我们可以预见一个AI自主地从产品概念开始创造，直至代码编写和部署，几乎不需要人类干预的世界 ⋙ 阅读原文