Legora CTO 分享在无法查看数据时构建法律智能体的经验
Legora CTO Jacob Lauritzen 在 Latent Space 访谈中分享了在无法查看客户数据的情况下构建和测试法律智能体的经验。他提到模型已能胜任约 60% 的法律工作，团队通过模拟客户工作环境的测试环境来评估智能体，并指出在一次模型更新后引用准确率从 70% 提升至 99%。
#RAG
Latent SpaceAI 评分6767
MIT Technology Review · AIAI 评分3535 MIT Technology Review 报告：企业上下文层是 AI 创造价值的缺失环节
MIT Technology Review 调研显示，仅 16% 的企业从 AI 部署中获取变革性价值，多数仍停留在试点阶段。Atlan 联合创始人指出，模型能力与组织效用间的差距源于缺乏“上下文层”。该架构基础设施将企业智能转化为 AI 可用的治理上下文，解决模型因缺乏业务理解而导致的执行偏差问题。
Latent SpaceAI 评分4040 Moshi CEO Anekha Sokhal 分享从交易员到 AI 创业者的转型
Moshi CEO Anekha Sokhal 在 AI Engineer New York 分享其从 JPMorgan 能源衍生品交易员转型为创始人的经历。Moshi 被描述为结合市场数据、工作界面和个性化推荐的引擎，旨在解决交易员信息过载问题。
Latent SpaceAI 评分3838 Moshi CEO Anekha Sokhal 打造大宗商品交易推荐引擎
Moshi CEO Anekha Sokhal 正在构建一款连接市场信息与交易员持仓的推荐引擎。她将 Moshi 描述为结合市场数据、工作界面及个性化推荐的产品，旨在解决交易员难以追踪海量市场信息的痛点。
GitHub Blog · AI & MLAI 评分4242 GitHub 播客解析 AI 热点：RAG 未死，Skills 与 MCP 互补
GitHub 播客最新一期拆解了关于 AI 开发的五个流行观点。节目指出 RAG 并未过时，Skills 与 MCP 分别解决流程指导与工具连接问题，二者可协同工作。此外，开发者仍需审查 AI 生成的代码，且代码库的可维护性直接影响模型理解效果。