搜索 AI 资讯

为什么 dbt Labs 认为 AI 智能体终将让语义层真正落地

如果团队能够解决信任问题，AI 智能体为何能让语义层更加稳固？

Okta 在大规模管理 AI 智能体上下文时所学到的经验

Okta 采用 dbt 作为单一事实来源，重新构建了其对 AI 智能体的上下文管理方式。

dbt v2 登陆：解析速度更快、采用统一的适配器层，并提供无需庞大 manifest.json 文件的文档体验

dbt v2 将适配器打包，加快解析速度，并用更小、可查询的文件取代 manifest.json，供用户和 AI 使用。

Kilo 的一位数据科学家如何构建了其 AI 智能体所缺失的业务上下文层

一位数据科学家如何为组织知识构建了一个AI上下文层，而仅靠一个dbt项目是无法承载的。

研究揭示奖励模型评分存在显著提示依赖性：成对评估无法检测该偏差

一篇2026年10月24日发布于arXiv的AI研究论文指出，当前主流的成对（pairwise）评估方法会自动抵消同一提示下所有响应共有的评分成分，导致奖励模型中关键的‘提示级偏差’未被检验；作者通过人类评分作为参照，对18个已发布评分器开展审计，发现在HelpSteer2数据集上，6个模型高达34%–64%的评分方差源于提示本身，而人类评分几乎无此现象。

推荐理由：该研究指出了大语言模型对齐流程中一个被长期忽视的基础性缺陷——奖励模型评分高度绑定于提示文本而非响应质量本身；其方法论（人类参照审计、提示替换、方差分解）具可复现性，结论基于实证分析且覆盖多个主流开源评分器，对偏好优化、RLHF和安全评估实践具有直接警示意义。