GitHub Podcast 拆解五大 AI 热梗：AI 生成的代码要不要读、RAG 是否已死、Skills 是否杀死 MCP
GitHub Podcast 最新一期逐条拆解了五个 AI 开发热梗："不用读 AI 生成的代码"要看你能否解释并负责结果；"不用 AI 就不被录用"更应看判断力；Skills 与 MCP 解决不同问题，前者是可读的 Markdown 封装经验，后者提供工具与数据的标准接口；RAG 也并未消亡，缺了检索会浪费 token、拖慢速度并更容易给出不完整答案。
#RAG
#RAG
今日 0 条GitHub Blog · AI & MLAI 评分2222
Google ResearchAI 评分3535 Google Research 提出 Retrieve-for-Train：用离线 RL 加速复杂 AI 搜索查询扩展
Google Research 提出 Retrieve-for-Train 框架，通过离线强化学习发现奖励对齐的查询扩展并蒸馏进一个 53.9M 参数的扩散检索器，实现推理时单次前向的查询 fan-out。该方法在 Gemma3-4B 和 Qwen3-4B 上微调，绕过测试时 CoT 推理 token 的开销，同时满足多样性、覆盖度等集合级属性，相关论文已被 ICML 2026 收录。
Mistral AI精选AI 评分6161 Mistral 发布 Agentic Search 检索层
Mistral 发布 Agentic Search，作为让 AI 系统在复杂文档中导航、阅读和验证信息的检索层，通过 Mistral Search Toolkit 和 Studio、Vibe 中的 Libraries 提供。
推荐理由：官方给出多步检索循环的五工具设计与两组基准数字，读者可据此判断检索层如何替代一次性 RAG。