AI热榜 Pinecone Nexus 现已全面上线，这是一款 面向 AI 智能体的“知识引擎” ，能够将企业数据转化为可供智能体直接检索的结构化数据层。
企业团队只需一次性摄入并梳理好业务背景信息，即可在各类智能体间复用数据，在提高准确性的同时降低词元成本。
Pinecone 认为，尽管大语言模型“擅长处理通用知识”，向量数据库也能轻松“定位散落在各类文件中的特定信息”，但企业真正依赖的是另一层知识：业务场景信息。
这些信息通常分散在各类资料中，包括合同、内部知识库、人事文档、会议纪要、客服工单以及财务记录。
智能体固然可以搜索这些信息，但每次执行任务时都进行检索效率极低，不仅会导致更高的词元成本，还会导致响应变慢，输出结果也可能存在信息缺失。
Pinecone Nexus 正是为了填补这一空白而生的知识引擎。
它将企业分散的知识整合成一个结构化层，供智能体直接查询，从而将词元的消耗从每次查询的检索循环中转移出来，仅在一次性数据规整阶段产生成本。
Pinecone 报告称，Nexus 的早期采用者已经看到了显著的性能提升，尤其是在金融服务和法律研究领域。
在法律领域，Nexus 能够完成全部指定任务，而编码智能体的完成率仅为 6%，RAG（检索增强生成）系统为 66%。
RAG 系统难以胜任“学说综合、跨案例推理和覆盖性问题”方面的任务，这些任务需要将多个来源的信息整合成一个答案。
Pinecone 的数据显示，词元消耗也大幅降低，约为原先的 1/9 到 1/15。
在企业数据管理方面，Nexus 也实现了类似的改进，准确率达到 90%，而 RAG 系统为 65%，每份文档的整理成本为 0.0038 美元。
Pinecone Nexus 以工作空间（Workspace）为核心概念，工作空间是是所有资源的顶级容器，通常对应某个团队或业务部门。
工作空间内的数据按照上下文（Context）划分，每一个上下文集对应一个特定的数据集或知识领域。
清单（Manifest）用于定义原始数据源的摄取方式以及原始数据转换为结构化知识的规则。
领域专业知识可以通过清单直接融合到系统中： 领域专家可以预先设计蓝图，定义各类资料实体及其关联关系，在发起查询前就将自身领域知识固化到数据规整层。
智能体无需在查询阶段自行梳理语料库结构，可直接沿用领域专家对业务数据的梳理逻辑。
🔗 原始来源
如果你要核对细节，可以再看原文： InfoQ AI原文链接