知识库草稿 · Jay · 2026-06-28 16:20（第1次/3次）
主题
CSDN高价值技术 + RAG/Agent架构范式迁移 + Substack工程洞察
🔍 检索范围
- CSDN / 腾讯云开发者社区（csdn.net, cloud.tencent.com）
- arXiv cs.AI / cs.LG / cs.SE
- Substack AI research newsletters
- GitHub trending（上下文）
高价值条目
【CSDN · 公众号聚合】Agent Triangle / Agent Runtime 三层解耦 / Context Engineering
- 来源：
blog.csdn.net/qcx23（weixin_29050271 / weixin_34280237 聚合） - 时间：06-14（qcx23主文）/ 06-21（Context Engineering）/ 06-24（Anthropic）/ 06-27（Runtime commoditize）
- 阅读量：427（qcx23主文）/ 509（Anthropic）/ 56（Runtime）
- 核心技术观点：
- Agent Triangle架构：Orchestrator（调度中枢）+ Executor（执行单元）+ Verifier（校验节点）三者解耦，契约驱动 + 状态机路由 + 规则引擎校验，适合制造业/医疗等强监管高容错场景。解决了单一Agent责任模糊、归因困难、审计不可信的问题。
- Agent Runtime 三层解耦：Harness（无状态执行胶水）+ Session（持久化事件流）+ Sandbox（凭证隔离），Runtime层正在被Anthropic/AWS/Google标准化+免费化。
- Context Engineering：超越Prompt Engineering，聚焦信息如何高保真、低衰减、有时序/空间锚点注入上下文，解决"模型看不见关键信息"根本瓶颈，适用于RAG/Agentic/Geo-AI等强时空约束场景。
- 关联arXiv论文（主文引用，需核验）：
A-RAG: Autonomous RAG— arXiv:2602.03442Do We Still Need GraphRAG?— arXiv:2604.09666UniAI-GraphRAG— Nature Scientific Reports 2026Memory for Autonomous LLM Agents Survey— arXiv:2603.07670GAM: Hierarchical Graph Memory— arXiv:2604.12285MemoryArena— arXiv:2602.16313MemoryAgentBench— ICLR 2026AnchorRAG— WWW 2026MCP Threat Modeling— arXiv:2603.22489CUE-R: Per-Evidence RAG Diagnosis— arXiv:2604.05467SeaRAG: Adaptive Hallucination Control— ACM WWW 2026- 工程价值：高。12篇arXiv论文引用完整，涵盖RAG/记忆/安全三链条；三角架构有明确工程落地路径。
- 可信度：中（微信公众号聚合，arXiv原文可独立核验）。
- 复现价值：三角架构切分逻辑可落地；Context Engineering的语义切分策略可参考。
- 建议分类：
agent-architecture/rag/context-engineering
【Substack · The AI Engineer】The AI Agents Stack: LLM to Production (2026 Edition)
- 来源：
theaiengineer.substack.com（Josh，The AI Engineer newsletter） - 时间：2026年近期
- 核心工程观点（3大范式转变）： 1. Memory成第一等架构原语：2024年Memory = 选个向量库做RAG；2026年Memory是三层tier的独立架构组件，不再是bolt-on afterthought。 2. Context Engineering替代Prompt Engineering：不是写更好的prompt，而是设计Agent每次调用时"看到什么信息"的架构。 3. Memory Blocks：命名的结构化字段，Agent每轮可读写和覆写，而非往system prompt里dump。 4. Agent Guardrails独立化：2024年Guardrails = 模型输入/输出过滤；2026年Guardrails = 工具调用授权 + 限速 + 动作验证。"guardrails before action"模式兴起（执行层授权，而非输出层过滤）。 5. OWASP MCP Top 10（beta）发布：首个tool-connected agents安全 Checklist。 6. 评估体系三层：PR级快速检查 → 夜间回归套件（LLM判断质量）→ 生产持续监控（漂移告警）。新benchmark：Context-Bench（记忆管理）、Recovery-Bench（错误恢复）、Terminal-Bench（编码Agent）。
- 工程价值：极高。6层架构全景图，Context Engineering + Guardrails范式转变，OWASP安全checklist。
- 可信度：高。业界知名技术newsletter，工程视角严谨。
- 建议分类：
agent-architecture/context-engineering/security/evaluation
【Substack · Funda AI】Deep|LLM 2026: From Illusion of Model Development Stagnation to Large-Scale Real-World Agent Deployment
- 来源：
fundaai.substack.com - 时间：2026年
- 核心观点：
- 第三拐点：不再是单点能力突破，而是从"能思考"到"能执行"、从模型能力到持续执行系统经济学的转变。
- 新瓶颈：不再是per-inference FLOPS，而是系统级能力：并发session管理、长生命KV cache、跨多轮推理的上下文积累、tool invocation引入的外部世界状态管理。
- Claude Code (Claude Opus 4.5)长时任务表现突出；OpenAI API ARR单月增长10亿美元；Anthropic 2026年底ARR预期超300亿美元。
- 工程价值：高。行业趋势与数字结合，系统瓶颈分析有价值。
- 可信度：中。引用Sam Altman X帖子等公开数据，部分为估算。
- 建议分类：
industry-trend/agent/inference-economics
【Substack · Bhavishya Pandit】How Grab Uses AI Agents to Reclaim Hundreds of Engineering Hours a Month
- 来源：
bhavishyapandit9.substack.com（Jun 19, 2026） - 主要来源：Grab Engineering原文（Mar 2026）+ LangGraph文档
- 核心技术观点：
- FastAPI + LangGraph多Agent系统，自动化重复性数据调查，给数据团队每周挽回近两个工作日。
- 架构：多Agent分工（infra_monitor + log_retriever），LangGraph状态机编排。
- Prompt Caching节省成本（ProjectDiscovery案例）。
- Token经济学 + FinOps：生产Agent成本优化实践。
- 工程价值：极高。真实生产案例，完整架构可参考，有Grab Engineering原始博文支撑。
- 可信度：高。引用一手工程博客，不是二手综述。
- 建议分类：
multi-agent/production-case/langgraph/cost-optimization
【腾讯云开发者社区】RAG全景：从大模型基座到Agent记忆中枢
- 来源：
cloud.tencent.com/developer/article/2654878 - 核心内容：RAG Pipeline完整拆解（Ingestion → Indexing → Retrieval → Rerank → Generation → Data Flywheel → Observability）；GraphRAG；Self-RAG/CRAG；RAG vs 长上下文博弈分析；完整评估体系。
- 工程价值：高。Pipeline各阶段代码/命令/工具齐全，RAG vs 长上下文权衡表有决策价值。
- 可信度：中。综合型文章，部分为框架文档转述。
- 建议分类：
rag/evaluation/graphrag
【CSDN · 魔乐社区】从零开始学习大模型微调：2026年最新实战指南
- 来源：
modelers.csdn.net/69a64ab47bbde9200b9bf30a.html - 阅读量：低（无明确数字）
- 内容：新手向综合教程，Qwen3.6-27B、量化挑战赛等提及。
- 工程价值：低-中。新手向，缺少代码/命令/版本细节，不推荐精读。
- 建议分类：
fine-tuning/beginner
过滤条目
| 条目 | 过滤原因 |
|---|---|
| CSDN openEuler "大模型怎么学" | 学习路线汇总，非技术内容，无源码/命令/版本，无工程复现价值 |
| CSDN openEuler "零门槛大模型学习路线" | 同上，课程推广性质 |
| B站视频（LangChain RAG教程等） | 视频格式，无法提取工程细节 |
| Medium "Agentic RAG Step-by-Step" | 非中文，无CSDN来源，不在本次筛选范围 |
分类标签
agent-architecture / context-engineering / rag / memory / guardrails / security / evaluation / multi-agent / production-case / industry-trend / graphrag
建议写入路径
/shared/research-kb/inbox/jay/2026-06-28-1620-csdn-rag-agent-substack-2026-inflection.md
后续行动
- 核验arXiv论文：A-RAG (2602.03442)、MemoryAgentBench (ICLR 2026)、MCP Threat Modeling (2603.22489)、SeaRAG (WWW 2026) — 从摘要判断是否需要全读
- Grab Engineering原文：
from firefighting to building: How AI agents restored our team's core productivity（Mar 2026）— 真实一手来源，值得精读 - The AI Engineer 2026 Stack全文 — 建议全读，6层架构图值得入知识库专题页
- Context Engineering — 原文weixin_34280237公众号，建议搜索确认是否有更详细的工程实现博文