Gemini File Search 支持图片了：多模态 RAG 从此不只是文本检索
5 月 5 日，Google Gemini API 的 File Search 新增多模态检索、元数据过滤及页码引用功能。核心在于引入原生多模态嵌入模型，支持直接对图片、图表进行语义搜索，无需依赖 OCR。该托管服务大幅降低自建 RAG 系统的开发门槛，适合需处理大量视觉资料的企业或开发者。不过需注意其暂不支持音视频格式，且一旦选定嵌入模型无法无缝升级。
用 Agent 搭建 n8n 工作流，告别手动拖拽时代
n8n 推出全新 MCP 支持，允许 AI 智能体直接创建和编辑工作流，彻底告别手动编写 JSON。团队为此专门设计了新语法与 SDK，实现 schema 验证、数据表构建及流程测试。该功能兼容 Claude Code、Cursor 等主流编程助手，不绑定特定模型，所有用户升级至 2.18.3 版本即可免费使用。这标志着连工作流搭建本身正逐步被智能体替代，为复杂自动化流程的生成带来新可能。
LM Studio 和 Ollama 到底该选哪个
本地部署大模型时，LM Studio 与 Ollama 各有侧重。前者主打图形化界面，适合快速上手和模型对比。后者作为后台引擎，性能更优且支持自动硬件调用，在自动化工作流中表现更佳。随着版本迭代，两者功能边界虽逐渐模糊，但在 API 兼容性、并发处理及智能体集成方面，Ollama 仍具备明显优势。用户可根据是追求便捷体验还是深度集成需求来选择合适的工具。
Karpathy 最新演讲：AI 编程正在从 “氛围编程” 转向“智能体工程”
Andrej Karpathy 在 Sequoia AI Ascent 2026 提出编程范式正从 Vibe Coding 转向 Agentic Engineering。核心变化在于工作重心从编写代码转为编排智能体，要求开发者具备系统设计与审查能力。演讲强调需警惕"80%问题”，即利用 AI 快速完成基础工作后，必须依靠人类经验处理安全、架构等剩余难点。这一转变意味着理解力将比编码能力更稀缺，对开发者、管理者及创业者重新定义产品与团队角色具有关键指导意义。
精通 Claude 提示工程：营销人员实操指南
模糊指令是 AI 输出质量低下的根源，强调结构化提示词工程已成为营销竞争优势。核心方法包括：任务定义要具体、明确角色设定、指定输出格式。技术层面可通过让 AI 先推理、加约束条件、一次生成多版本等方式提升效果。元提示词可实现工作流复用，持续测试迭代是保持输出稳定的关键。
哈佛研究： AI 急诊诊断准确度超越两位医生
哈佛团队研究显示， OpenAI 的 o1 模型在急诊分诊的文本诊断中准确率达 67%，略优于内科医生的 50-55%。但研究者强调，这仅测试了文本处理能力， AI 尚无法替代临床决策中的责任归属、患者沟通及复杂情境判断。
奥斯卡新规： AI 生成演员和剧本无参评资格
奥斯卡学院公布新版评奖规则，明确生成式 AI 使用边界。规则要求参评表演必须获得本人同意，剧本必须属于“人类创作”。此调整旨在回应 AI 技术快速进入影视生产引发的争议，守住创作主体地位。学院聚焦“谁在表演、谁在写作”这一核心问题，既不全面禁用 AI ，也不接受技术中立说，而是通过资格认定来保护署名、授权和创作者身份的传统秩序。
最佳 AI 语音转文字应用实测排行
AI 语音输入应用已从“识别准确”转向多维度竞争。主流产品各具特色：本地隐私型（ Monologue 、 VoiceTypr ）、工作流整合型（ Wispr Flow ）、低价买断型（ VoiceInk 、 Dicatto ）等。竞争焦点已不限于识别率，而是隐私保护、场景适配和“写作起点”的争夺。谁更懂用户在不同场景的表达意图，谁就能占据内容生产流程的先机。
ChatGPT Images 2.0 在印度受热捧，但目前在其他地方尚未大获成功
虽然 OpenAI 声称印度成为 ChatGPT Images 2.0 最大用户市场，但第三方数据显示全球增长实则温和，下载量仅增 11%，日活和流量涨幅约 1%。巴基斯坦、越南、印尼等新兴市场反而出现高达 79%的下载增长。印度用户主要将该功能用于个人表达场景，如风格化肖像、社交头像等，反映出 AI 图像工具在不同市场的落地方式存在差异。