RAG-arkitekturer tager et skridt fremad: Hybrid, GraphRAG, Agentic og Adaptive fører an inden for virksomheders videnssøgning

RAG-arkitekturer tager et skridt fremad: Hybrid, GraphRAG, Agentic og Adaptive fører an inden for virksomheders videnssøgning

Debatten om retrieval-augmented generation er gået fra at handle om "hvilken LLM" til "hvilken arkitektur", og tre nye dybdegående artikler denne uge kortlægger landskabet. Det nye udgangspunkt er hybrid søgning — BM25-nøgleordsmatching kombineret med vektorsøgning og en reranker — som nu betragtes som et minimumskrav for produktionssystemer snarere end noget rart-at-have [4][5].

GraphRAG er den store opgradering for alle, der arbejder med relationelle data: ved at lægge en vidensgraf oven på søgningen kan systemer spore sammenhænge mellem entiteter og besvare spørgsmål, der kræver flere trin, og benchmarks viser 86% gennemsnitlig nøjagtighed mod 57% for standard-RAG [5][6]. Agentic RAG går endnu videre og tilføjer planlægning, søgning i flere trin, refleksion og værktøjsbrug til reelt komplekse arbejdsgange, mens multimodale og adaptive varianter så småt begynder at dukke op i forskningsfeltet [4][6].

Forklarende tråde, der cirkulerede 3. november, gav en simpel tommelfingerregel, som er værd at stjæle: start med hybrid plus reranker, byg GraphRAG oven på, når dine data grundlæggende handler om entiteter og deres forbindelser, og grib først til Agentic RAG, når opgaven kræver egentlig ræsonnement i flere trin. Det er en fornuftig modenhedstrappe — og en, der stort set passer præcist til det, en videnbase for møder har brug for.

Shruti Telugu: Ny 29,7MB open-weights offline tale-til-tekst-model til Telugu-engelsk sprogblanding

Udgam Labs udgav Shruti Telugu den 4. november — en lille, 29,7MB stor, Apache-2.0-licenseret, open-weights tale-til-tekst-model bygget på Cactus Whistle og finjusteret på indiske taledata [7][8]. Det, der gør den bemærkelsesværdig, er ikke kun størrelsen, men nøjagtigheden på et reelt svært problem: sprogblanding mellem telugu og engelsk i virkelige samtaler, hvor talere blander sprog midt i en sætning. Shruti scorer 45,4 på DiarBench mod 52,9 for IndicConformer og helt op til 55,7 for finjusterede Whisper-varianter — her er lavere bedre, så en mindre model slår langt større modeller, når det gælder korrekt bevarelse af engelske ord midt i teluguske samtaler [7][9].

Den kører helt offline på telefoner, bærbare computere eller i browseren, og kræver kun omkring 80MB hukommelse selv på ældre Android-enheder. Det samme team har søstermodeller til hindi, marathi, tamil og bengali, som alle er lige så kompakte [8][9]. Opmærksomheden på X har været behersket, men præcis — fagfolk har specifikt fremhævet nøjagtigheden ved sprogblanding som det, der adskiller modellen, eftersom de fleste transskriptionsværktøjer stadig snubler alvorligt, når talere naturligt blander sprog, hvilket er normen snarere end undtagelsen i store dele af sydasiatisk forretningskommunikation.

Harvard udgiver gratis GenAI-forelæsninger fra 2026 om RAG, prompt engineering og undervisning med AI

Harvard har stille og roligt bygget et genuint nyttigt GenAI-pensum uden betalingsmur: seks-plus forelæsninger, der dækker "Introduktion til Generativ AI", "Prompt Engineering", "Beyond Chatbots" (systemprompter og RAG) samt anvendt indhold om undervisning med AI, plus ekstra CS50x-materiale om LLM'er og neurale netværk [10][11][12]. Ingen ansøgning, intet gebyr — bare åbent kursusmateriale.

Delinger på LinkedIn og X denne uge fremhævede særligt RAG- og prompt engineering-sessionerne som usædvanligt praktiske for et universitetstilbud — mere "sådan bruger du det faktisk på arbejdet" end teoretisk. For alle, der bygger eller evaluerer AI-værktøjer — herunder de søgesystemer, der ligger bag platforme til mødeintelligens — er det en solid, gratis introduktion, der er en kop kaffe værd.

Hvad det betyder for dine møder

Dagens historier peger alle i samme retning: kategorien for mødenoter og kategorien for RAG-arkitektur smelter sammen. En transskription er kun så nyttig som det, du kan hente frem fra den seks måneder senere, og denne uges GraphRAG-benchmarks — 86% mod 57% nøjagtighed på spørgsmål med flere trin — giver et direkte forvarsel om, hvad der adskiller en udmærket mødeassistent fra en, der faktisk kan svare på "hvad aftalte vi med den Helsinki-kunde tilbage i marts, og hvem har ansvaret for opfølgningen?"

Historien om fragmentering blandt notatværktøjer er også relevant. Hvis din organisation kører Fireflies til salgsopkald, Granola til strategimøder ansigt til ansigt og Otter til fællesmøder, har du tre siloer med mødeviden, der ikke taler sammen — præcis det problem, en samlet vidensgraf er bygget til at løse. Og Shrutis gennembrud med sprogblanding er en påmindelse om, at transskriptionsnøjagtighed for flersprogede, nordisk-tilknyttede og internationale teams stadig er et uløst specialtilfælde for de fleste værktøjer; talergenkendelse og videnudtræk er kun så gode som den transskription, de bygger på.

Vigtigste pointe: Fremtiden for mødeintelligens handler ikke om en bedre transskription — det handler om en vidensgraf, der forbinder hvert møde, hver taler og hver beslutning til noget, du faktisk kan søge i, og dagens RAG-fremskridt viser præcis, hvordan det bygges.

Sources

1. https://www.techverdict.io/articles/best-ai-note-taker-2026
2. https://aitoolscomparison.in/guides/choosing-an-ai-meeting-assistant/
3. https://www.cohear.work/learn/compare/best-ai-note-taking-apps/
4. https://molay.ai/blog/enterprise-rag-architecture
5. https://dev.to/linou518/the-state-of-rag-in-2026-graphrag-agentic-rag-and-production-ready-hybrid-search-2a13
6. https://agdex.ai/blog/agentic-rag-vs-graphrag-2026.html
7. https://github.com/udgamlabs/shruti
8. https://udgamlabs.com/
9. https://udgamlabs.com/models/shruti
10. https://x.com/allen_lattimer/status/2114385207352815855
11. https://www.linkedin.com/posts/ruben-hassid_harvard-released-10-lectures-on-ai-prompting-activity-7408385770216140800-I57z
12. https://generative-ai-course.hks.harvard.edu/