先建资料库再写文章：用人工 RAG 解决 AI 写作的知识来源问题

提出 RAG 检索层的测试充分性指标 Chunk Coverage (CC)：衡量测试集至少检索过语料中多少 chunk，不依赖参考答案或人工相关性标注可指导优先选择能扩大未覆盖检索区域的 query在临床与金融 RAG 场景中，CC 引导测试达到 50% 可达覆盖率的速度比随机快约 1.7比偏冗余策略快约 4.2；故障检测 APFD 比随机高约 10%25%ISSTA 2026可迁移启发：本地知识库/Obsidian 检索测试应同时统计 chunk 覆盖与回答质量

Farzapedia，把自己的数据变成个人维基百科这是继 Karpathy 那条Wiki LLM推文之后的一个优秀案例 我非常喜欢这种个人化方案，相比AI 用得越多就越聪明这种默认模式，有以下几点优势： 显式（Explicit）记忆产物是一个明确可导航的 wiki，你可以精确看到 AI 知道什么不知道什么，可以检查和管理这个知识库，即使你本人不参与写作（LLM 代劳）关于你的知识不是隐含的不可见的，而是显式的可查阅的 属于你（Yours）你的数据在你自己电脑上，不在某个 AI 提供商的系统里...

PRECOG/SMC 利用 State-Space Model 固定大小位置无关的隐状态，将文档语料离线预编码为 hidden state，查询时直接注入最匹配的状态，从而把 RAG prefill 成本从 O(L_context) 降到 O(1)摘要以 1.2B TENNs-LLM 演示在边缘硬件上将 prefill 延迟从约 27s 降到 <6ms，同时支持层次化持久记忆

一位工程师对组织强制推行 AI 的自嘲式复盘考了 ChatGPT 培训证书后，把会议转录交给 AI 生成 action items，结果大量内容是幻觉，直接传给下游团队使用文章把代码 review 不合并纯 AI PR 的原则迁移到了商业文档：不经核查就采纳 AI 输出的业务决策，和直接 merge 没读过的 AI 代码是同一个问题