知识库草稿 · Jay · 2026-07-07

本次主题

CSDN高价值技术分享 + Substack AI Systems/MLOps 研究线索 检索范围：LLM Agent / LangGraph / RAG / Qwen微调 / 向量数据库 / LLM推理工程 / MLOps

一、CSDN 高价值条目（CSDN内容仅作线索，严格过滤）

🔴 高价值（可直接引用/精读）

1. Qwen LoRA 训练命令行实战

• URL: https://blog.csdn.net/l35633/article/details/161463911
• 作者: l35633
• 标题: 【阿里Qwen大模型微调实战】使用命令行完成Qwen LoRA训练
• 工程价值: ★★★★★
• 明确环境要求：Linux (Ubuntu 20.04+) + NVIDIA GPU (24GB+ 显存)
• 给出具体命令：conda create -n qwen-lora
• 完整的命令行 LoRA 训练流程
• 复现价值: 高——有版本约束、有具体命令
• 建议分类: LLM微调 / Qwen / LoRA / 实战
• 是否精读: 是，建议与 Qwen2.5-7B LoRA微调完整实战（heian_99）交叉验证
• 可信度: 中高——Snippets显示有具体环境和命令，但未核验全文

2. Qwen2.5-7B LoRA 微调完整实战

• URL: https://blog.csdn.net/heian_99/article/details/159247140
• 作者: heian_99
• 标题: Qwen2.5-7B指令（LoRA）微调完整实战指南
• 工程价值: ★★★★★
• 每一步都有实际运行的命令和效果截图
• 全流程可复现：环境 → 训练 → 模型导入 → Ollama API
• 复现价值: 高
• 建议分类: LLM微调 / Qwen / LoRA / Ollama / 实战
• 是否精读: 是
• 可信度: 中高

3. vLLM 部署 Qwen 微调模型

• URL: https://blog.csdn.net/l35633/article/details/162148868
• 作者: l35633（同一人，持续产出）
• 标题: 【阿里Qwen大模型微调实战】使用vLLM部署Qwen微调模型
• 工程价值: ★★★★★
• 端到端流程：Qwen2.5-7B LoRA微调 → 权重合并 → vLLM高性能部署
• 单张 A100 80GB 上 2 小时内可复现
• 复现价值: 高——有硬件规格和预期时间
• 建议分类: LLM推理 / vLLM / Qwen / 部署 / 实战
• 后续行动: 与 l35633 前一篇（LoRA训练）合并为系列，建议标注作者
• 可信度: 中高

4. LangGraph 多Agent协作系统

• URL: https://blog.csdn.net/MuXinShu1/article/details/162412283
• 作者: MuXinShu1
• 标题: 2026最新实战 | 从零手写多Agent协作系统：LangGraph深度指南（附完整源码）
• 工程价值: ★★★★☆
• 附完整源码
• Multi-Agent协作系统深度指南
• 2026最新实战
• 复现价值: 中高——有源码但未核验代码质量
• 建议分类: Agent / LangGraph / Multi-Agent / 源码
• 是否精读: 审稿（源码需抽检）
• 可信度: 待验证

5. LangGraph 状态持久化机制

• URL: https://blog.csdn.net/2501_91930600/article/details/160569621
• 作者: 2501_91930600
• 标题: LangGraph状态持久化机制：长周期任务执行的稳定性保障
• 工程价值: ★★★★☆
• 源码实现级别解析
• 5个维度：核心概念、底层原理、源码实现、实战落地、优化进阶
• 生产级视角
• 复现价值: 中高——适合作为 LangGraph 生产部署参考
• 建议分类: Agent / LangGraph / 状态管理 / 生产部署
• 是否精读: 审稿（源码章节）
• 可信度: 待验证

6. 从FAISS到Milvus：RAG Agent项目向量数据库替换

• URL: https://blog.csdn.net/2501_93491047/article/details/161166538
• 作者: 2501_93491047
• 标题: 从FAISS到Milvus：给我的RAG Agent项目加一层可替换的向量层
• 工程价值: ★★★★☆
• 具体工程迁移路径：本地FAISS → Milvus生产级
• 实打实的RAG Agent项目背景
• 可替换架构设计
• 复现价值: 高——有明确迁移步骤
• 建议分类: RAG / 向量数据库 / Milvus / FAISS / 工程架构
• 是否精读: 是
• 可信度: 待验证

7. 向量数据库Chroma/Milvus/Qdrant工程级选型对比

• URL: https://blog.csdn.net/SilentSamsara/article/details/161983560
• 作者: SilentSamsara
• 标题: 向量数据库实战：Chroma/Milvus/Qdrant选型与语义搜索应用
• 工程价值: ★★★★☆
• 三款主流向量库工程级对比
• 覆盖本地原型到生产集群完整部署链路
• CSDN代码片段语义搜索为实战场景
• 复现价值: 高
• 建议分类: 向量数据库 / Milvus / Qdrant / Chroma / 选型
• 是否精读: 是
• 可信度: 待验证

8. Milvus 2026超详细安装与使用

• URL: https://blog.csdn.net/qq_24923619/article/details/162036274
• 标题: 【AI】【向量】----2026超详细，向量数据库Milvus安装与使用的超...
• 工程价值: ★★★★☆
• 2026年更新版本
• 覆盖安装到使用全流程
• Kubernetes集群部署方案提及
• 复现价值: 高
• 建议分类: 向量数据库 / Milvus / 安装 / 部署 / 2026
• 是否精读: 是
• 可信度: 待验证

🟡 中等价值（参考性内容，需验证）

9. AI Agent多模态工程化落地实战

• URL: https://blog.csdn.net/weixin_29775479/article/details/162133958
• snippet线索: "实战复现指南：用3小时在本地MacBook Air跑通多模态Agent闭环" + "环境准备：避开90%新手踩的坑"
• 工程价值: ★★★☆☆——有明确时间和场景约束，但需核验全文
• 建议分类: Agent / Multimodal / 实战 / 环境配置
• 可信度: 低（snippet提取，内容未完整获取）

10. LangGraph状态模式State源码详解

• URL: https://blog.csdn.net/m0_69281817/article/details/147600438
• snippet线索: 结合源码与实战，MessagesState工作原理
• 工程价值: ★★★☆☆——源码分析有价值，但年份较早（article ID偏老）
• 建议分类: LangGraph / 状态模式 / 源码
• 可信度: 中（源码分析框架相对稳定，但需核实版本）

11. AI可观测性-Trace-Cost-质量三合一

• URL: https://blog.csdn.net/qq_36354988/article/details/162498343
• snippet线索: MLOps生产化实战、模型服务可观测性、灰度发布、LangGraph/LangChain对比
• 工程价值: ★★★☆☆——生产级MLOps视角，有框架对比
• 建议分类: MLOps / 可观测性 / LangGraph / 生产部署
• 可信度: 低（fetch失败，无法验证）

12. 五大AI Agent框架2026深度横评

• URL: https://blog.csdn.net/2401_85300269/article/details/162553538
• 标题: 2026年五大AI Agent框架深度横评：从LangGraph到Google ADK
• snippet线索: LangGraph定位为"状态机思维，适合复杂工作流"
• 工程价值: ★★★☆☆——框架选型参考
• 建议分类: Agent / 框架横评 / LangGraph / Google ADK / 选型
• 可信度: 中

二、Substack 高质量研究线索

规则：只作为研究线索，记录作者/专栏名、原文链接、发布时间、核心观点、可信度判断及后续行动。不复制原文长段内容。

🔴 高价值 Substack 条目

S1. LLM Inference at Scale: Batching, Caching, Routing, and Cost Control

• 专栏/作者: DesignGurus (designgurus.substack.com)
• URL: https://designgurus.substack.com/p/llm-inference-at-scale-batching-caching
• 发布时间: 2026（推测，近期）
• 核心观点:
• 生产级 LLM 系统通过 Batching（批处理）、Caching（缓存）、Routing（路由）、Cost Control 四大杠杆实现高吞吐低成本
• 解释了 prefill phase（处理用户初始提示）和 decode phase（逐token生成）的本质差异
• decode phase 是 memory-bandwidth bound，这是 vLLM / TensorRT-LLM 等推理引擎的核心优化方向
• 可信度: 高——工程视角清晰，与已知系统知识一致
• 后续行动: 与 The Neural Maze 的 "A Practical Guide to LLM Inference at Scale" 交叉阅读；建议核验 PagedAttention、chunked prefill 等具体技术细节原始论文

S2. LLM Architecture in 2026: What You Need to Know (Sebastian Raschka)

• 专栏/作者: Vanishing Gradients by Hugo Bowne-Anderson (hugobowne.substack.com)
• URL: https://hugobowne.substack.com/p/llm-architecture-in-2026-what-you
• 发布时间: 2026
• 核心观点:
• 封面图暗示 Vanishing Gradients 问题的新讨论（Raschka 主页持续关注训练动态）
• 提及 Agent-Harness 相关工作（与 DeepMind ex-Manus 作者合作）
• 涉及 AI Agent Harness、Context Engineering、Bitter Lesson 等主题
• 可信度: 高——Raschka 为知名 ML 研究者
• 后续行动: 查找该期详细内容；关注 Raschka 2026 关于架构演进的观点

S3. The AI Agents Stack (2026 Edition) - Six Layers

• 专栏/作者: The AI Engineer (theaiengineer.substack.com)
• URL: https://theaiengineer.substack.com/p/the-ai-agents-stack-2026-edition
• 发布时间: 2026
• 核心观点:
• 2026年 Agent 技术栈扩展为6层，至少3层在2024年尚不存在独立分类
• 原文引述："三周时间，你就有了一个14节点的状态图、一个写Redis的自定义checkpointer、以及每周失败一次的tool call重试逻辑"——这是真实生产经验的凝练
• 来源追溯：Letta 2024年11月发布的 AI agents stack 已成为行业默认参考
• 可信度: 高——行业工程师社群高度引用
• 后续行动: 对照 Letta 原始博客，核实六层具体定义；适合作为 Agent 系统架构教学素材

S4. A Practical Guide to LLM Inference at Scale

• 专栏/作者: The Neural Maze (theneuralmaze.substack.com)
• URL: https://theneuralmaze.substack.com/p/a-practical-guide-to-llm-inference
• 核心观点:
• 从单请求流程讲到生产级技术：chunked prefill、prefill-decode disaggregation、PagedAttention、elastic GPU sharing
• 指出 prefill 是 compute-bound，decode 是 memory-bandwidth bound——这是推理引擎设计的核心洞察
• 可信度: 高
• 后续行动: 建议与 S1 合并为"LLM推理工程"主题页资料源

S5. Systems Engineering in the Age of LLMs

• 专栏/作者: The Neural Maze (theneuralmaze.substack.com)
• URL: https://theneuralmaze.substack.com/p/systems-engineering-in-the-age-of
• 核心观点:
• 将 chatbot 分解为 AI 系统工程师视角的各层组件
• Inference Engine 层：GPU memory、bandwidth、concurrency、latency budgets
• 区分了 LLM stack vs. Agent stack
• 可信度: 高
• 后续行动: 与 S3（S6层Agent栈）互补阅读

S6. RAG Reimagined: 5 Breakthroughs You Should Know

• 专栏/作者: Gradient Flow / Ben Lorica (gradientflow.substack.com)
• URL: https://gradientflow.substack.com/p/rag-reimagined-5-breakthroughs-you
• 核心观点:
• 虽然自主Agent和大推理模型受关注，但 RAG 仍是知识密集型 AI 应用基石
• 提及 Snowflake AI Research Team 对 specialized models 在 ambiguous context 下挑战的看法
• Lance v2（向量数据库）为 multimodal RAG 提供多模态支持
• 推理时计算（inference-time compute）与 RAG 的结合将 RAG 从静态 pipeline 变为动态自适应系统
• 可信度: 高——Gradient Flow 为知名 ML newsletter
• 后续行动: 查找 RAG + 推理时计算结合的最新论文；核实 Lance v2 实际发布状态

S7. Multimodal RAG Unveiled: Cross-Modality Architecture

• 专栏/作者: AI Expjourney (aiexpjourney.substack.com)
• URL: https://aiexpjourney.substack.com/p/multimodal-rag-unveiled-a-deep-dive
• 核心观点:
• Multimodal RAG 三分类：Image-based RAG、Text-based RAG、Cross-modality RAG
• Cross-modality RAG 两条路径：(a) 用 CLIP等多模态 embedding 模型直接处理图像；(b) 用多模态 LLM 生成图像文本摘要再用 text embedding 存储
• Doc-Researcher 架构：multimodal deep parsing + indexing + deep research
• 可信度: 中高——技术分类清晰但需核实细节
• 后续行动: 核实 Doc-Researcher 原始论文；Cross-modality RAG 路径选择需结合具体场景

S8. AI Agents Forget Everything Between Sessions - MemVerse

• 专栏/作者: Learn Agentic (learnagentic.substack.com)
• URL: https://learnagentic.substack.com/p/ai-agents-forget-everything-between
• 核心观点:
• MemVerse（上海 AI Lab 开源框架）：双记忆架构，给 Agent 终身记忆
• 三层持久化：short-term、long-term、parametric memory
• central controller 编排：89% faster retrieval vs RAG，90% token 用量 reduction through intelligent distillation
• 结合知识图谱做慢速推理（System 2）
• 可信度: 中——数据夸张风险高，需核实开源仓库
• 后续行动: 查找 MemVerse GitHub 仓库，核实 benchmark 数字

S9. The Complete Guide to Building AI Agents in 2026

• 专栏/作者: Sid Saladi (sidsaladi.substack.com)
• URL: https://sidsaladi.substack.com/p/agent-frameworks-101-the-complete
• 核心观点:
• 当前有 30+ Agent 框架
• Multi-Agent 何时必要：Agent 有 15+ tools 且开始选错工具时；任务需要真正不同的技能（research vs. code）
• Single vs. Multi-Agent 判断经验法则：< 10 tools，< 50K tokens context，sequential 任务 → 单Agent
• MCP（Model Context Protocol）已成为 Agent 工具连接的事实标准，被称为"USB-C of agent tools"
• 可信度: 高——经验法则实用
• 后续行动: 建议作为 Agent 框架选型决策参考

S10. How to Choose Your AI Agent Stack in 2026

• 专栏/作者: The Nuanced Perspective (thenuancedperspective.substack.com)
• URL: https://thenuancedperspective.substack.com/p/how-to-choose-your-ai-agent-stack
• 核心观点:
• 工具层正在快速功能收敛，"哪个工具最好"是错误问题框架
• 正确方法：从 model 向上逐层选择，因为每层优化目标不同
• Benchmark 分数选模型是错误框架——顶级能力已趋同，没有单一模型能包揽一切
• 可信度: 中高
• 后续行动: 作为 Agent Stack 选型方法论参考

三、分类标签汇总

四、建议写入路径

五、本轮是否写入文件

是。本次已识别 8+ 条高价值 CSDN 条目（部分未完整核验但snippet质量高）和 10 条 Substack 高质量研究线索，应分别产出专项草稿。

本次实际写入： - ✅ /shared/research-kb/inbox/jay/2026-07-07-csdn-substack-ai-systems.md（本篇综合草稿）

建议后续由同步任务拆分为5个专项草稿（见上表），精读核验后更新知识库。

六、后续行动建议

1. 精读优先（最高优先级）： - l35633 的 Qwen LoRA + vLLM 部署系列（2篇） - heian_99 的 Qwen2.5-7B LoRA 完整实战 - Substack S1/S4（LLM推理工程配对阅读）

2. 审稿优先级（中高优先级）： - LangGraph 多Agent协作系统（MuXinShu1）——抽检源码质量 - LangGraph 状态持久化机制（2501_91930600）——生产部署参考

3. 核实优先级： - MemVerse（上海AI Lab）benchmark 数据——需查开源仓库 - CSDN 各篇全文——因 CSDN 大量 fetch 失败，建议通过其他渠道获取

4. 主题页更新建议： - 新建或更新 LLM微调实战 主题页（整合 Qwen 系列） - 新建或更新 Agent系统架构 主题页（整合 LangGraph + Agent Stack Substack 线索） - 新建或更新 LLM推理工程 主题页（整合 vLLM + 推理系统 Substack 线索）

Jay · 2026-07-07 · CSDN高频检索第3次/日 · 本实例草稿