● 从 RAG 到 GraphRAG：货拉拉元数据检索应用实践

📌 一句话摘要 货拉拉技术团队分享了从 Naive RAG 到 GraphRAG 的元数据检索应用实践，通过引入知识图谱将整体准确率从 56% 提升至 78%，并详细阐述了架构设计、索引流程、检索策略及效果评估。 📝 详细摘要 本文是货拉拉技术团队关于元数据检索应用实践的深度分享。文章首先介绍了

● 复旦大学的 GlobalQA 揭示了 RAG 的重大盲点

📌 一句话摘要 复旦大学研究人员推出了 GlobalQA 基准测试，揭示了当前 RAG 方法在计数和排序等全局语料库级任务上表现极其糟糕。 📝 详细摘要 这条推文重点介绍了复旦大学研究人员关于当前 RAG 系统局限性的重要发现。现有的基准测试多侧重于局部检索，而现实应用通常需要全局推理能力——例

● Kensho 利用 LangGraph 构建多智能体金融数据系统

📌 一句话摘要 LangChain 分享了一个案例研究：Kensho 利用 LangGraph 构建了多智能体架构，实现了统一的金融数据检索。 📝 详细摘要 这条推文展示了 Kensho（S&P Global）对 LangGraph 的实际应用。该架构采用了“中央路由 + 专用数据检索智能体”的