Exa schließt 250 Mio. USD bei 2,2 Mrd. USD Bewertung (a16z) ab — agenten-native Suchinfrastruktur für Cursor, Cognition und 5.000+ Unternehmen bei 90 % reduziertem Textvolumen.
SkillRAE (CUHK): Retrieval Augmented Execution übertrifft alle Agentenfertigkeits-Baselines. Offline-Skill-Graph + duale Abfrage + Kontextkompilierung löst LLM-Skill-Abhängigkeiten auf.
TGS-RAG behauptet 80 % weniger Tokens als LightRAG bei gleicher oder besserer Genauigkeit – eine potenzielle Pareto-Verbesserung für graphgestützte RAG-Systeme.
SubQs 12-Millionen-Token-Kontext-Modell übersteigt das 1–2-Mio.-Plateau um eine Größenordnung und erzwingt ein Umdenken bei RAG vs. In-Kontext-Architekturen.
CUHK-Hangzhou-Paper formalisiert: Skill-MDs und RAG-Stores sind Lookup-Tabellen, kein echtes Lernen — Abruf braucht kombinatorische Abdeckung, Gewichtsupdates generalisieren aus O(N) Beispielen.
Memori erreicht 81,95% LoCoMo-Genauigkeit bei nur 1.294 Token/Anfrage – 67% kleinere Prompts als Zep, 20-fach günstiger als Full-Context.
Skill-RAG erkennt LLM-Versagen via Hidden-State-Analyse, ruft nur bei Bedarf Wissen ab und routet Fehlertypen zu spezialisierten Skills.
OpenAI stellt text-embedding-3-small ein — Forderungen nach Open-Sourcing, damit Billionen indizierter Tokens nach dem Modell-Rückzug weiter abfragbar bleiben.
Eine Analyse der Context-Engineering-Muster aus 50 produktiven AI-Deployments — RAG-Architekturen, Knowledge-Graph-Integration, mehrschichtige Speichersysteme und der Wandel von Prompt Engineering zu strukturierten Kontext-Pipelines.
Wie fuehrende Organisationen Knowledge Graphs mit LLMs kombinieren, um AI-Systeme zu bauen, die ueber strukturierte Beziehungen schlussfolgern — GraphRAG-Architekturen, Entity Resolution und das aufkommende Graph-native Context Engineering.
Kuratierte AI-Einblicke — wir senden, wenn es sich lohnt.