基于 Laravel 的 RAG、Agentic Resource Discovery 规范以及 AWS Continuum 正在作为生产级工具陆续推出，它们有望抑制幻觉、实现工具发现自动化并强化软件供应链安全。
Laravel 让检索增强生成（RAG）变得实用
大语言模型（LLM）擅长语言处理，但往往会忽略业务所需的细粒度细节。检索增强生成（RAG）通过从向量库中提取相关文档并将其作为上下文提供给模型，填补了这一空白。一份新的指南展示了如何在不编写任何 Python 代码的情况下，构建一个全栈 RAG 流水线。
- 文档被转换为向量嵌入（vector embeddings）——捕捉语义的数值表示。
- 向量嵌入被写入使用 pgvector 扩展的 PostgreSQL 表中。
- 在查询时，通过相似度搜索返回最相关的片段。
- 这些片段会被附加到发送给 LLM 的提示词（prompt）中。
其结果是一个知识机器人，它利用来自公司自有知识库的数据进行回答，从而大幅减少了困扰通用聊天机器人的“幻觉”问题。通过使用许多 Web 开发人员所熟悉的框架 Laravel，该指南为那些传统上避开以 Python 为中心的技术栈的团队开启了高级 AI 的大门。
智能体寻找工具的正规化方式
智能体（Agents）——即代表 LLM 调用其他服务的自主软件组件——一直受到临时集成方式的束缚。Google 与行业合作伙伴联盟宣布了 Agentic Resource Discovery 规范，旨在为智能体提供一种通用的语言，用于定位和使用 API、数据源及其他资源。
该规范定义了：
- 自动发现工具和 API。
- 理解其运行环境。
- 超越固定功能，以处理新任务。
AWS Continuum 为代码安全引入推理能力
静态分析工具长期以来一直通过扫描代码库来查找已知漏洞，但它们缺乏上下文，且经常产生误报。AWS 推出了 Continuum，这是一种 AI 驱动的服务，可以在软件供应链上运行推理智能体。
Continuum 智能体：
- 持续监控版本控制仓库的变更。
- 提出修复步骤，并在某些配置下直接在开发者的 IDE 或 CI 流水线中应用补丁。
通过将安全检查提前到开发生命周期中，Continuum 缩短了漏洞引入与缓解之间的时间，减轻了通常因手动分类处理而负担过重的安全团队的压力。
为什么这些举措至关重要
- 上市速度 – 基于 Laravel 的 RAG 消除了 Python 门槛，让现有的 Web 团队能够更快地交付知识驱动型产品。
- 运维自主性 – 标准化的发现协议意味着智能体可以在不同环境中重新部署，而无需进行定制化的集成工作。
- 降低风险 – 实时运行的 AI 增强型安全技术可以在供应链攻击到达生产环境之前将其拦截，从而降低潜在的泄露成本。
硬币的另一面
批评人士警告称，将 AI 更深地嵌入到生产流水线中会产生新的攻击面。
后续关注点
- Laravel RAG 指南的采用指标，特别是在历史上依赖 Python 技术栈的企业中。
- 随着更多厂商实现该协议，Agentic Resource Discovery 规范的更新情况，以及围绕其使用而出现的任何新兴安全指南。
- AWS Continuum 的客户案例研究，重点关注误报率以及自动化修复与开发者监督之间的平衡。
核心观点： 通过为检索、智能体发现和代码安全提供具体的框架，业界正在将 AI 从实验室带入日常工具中，从而确保业务安全、高效地运行。