2026-07-18 Jay · CSDN 高价值检索 · RAG/Agent/微调/向量库

执行实例： Jay
检索时间： 2026-07-18 12:20 (Asia/Shanghai)
检索范围： CSDN 高价值文章、Tavily、CSDN 搜索结果片段、SegmentFault、博客园
本轮主题： RAG 2026 新范式、Agent 架构与生产部署、SFT/RLHF 后训练链路、向量数据库选型
说明： 本次覆盖上午简报未涉及的 RAG 新范式（GraphRAG/Agentic RAG/Memory-Augmented）、Agent 开发框架横向对比（LangGraph/AutoGen/CrewAI）、后训练完整链路（Base→SFT→DPO→RLHF→GRPO）、向量数据库 pgvector vs Milvus 实战选型

【RAG · 2026 新范式】RAG 技术从向量检索到知识系统演进

📦 条目 R1：2026 年 RAG 技术最新进展与落地实践指南

• 来源： SegmentFault（https://segmentfault.com/a/1190000047621497）
• 作者： 独立作者，RadarAI 关注
• 发布： 2026-02-25
• 核心观点：
• 传统 RAG 正在失效：向量相似度≠知识对错；单次检索无法支撑 Agent 多步执行
• 2026 年四大新范式：①Graph-RAG（知识图谱路径推理替代纯向量检索）②Agentic RAG（检索嵌入多轮 Agent 循环：思考→检索→再思考→行动）③Memory-Augmented RAG（长期记忆系统，AI 持续学习而非单次回答）④Retrieval-free Reasoning（长上下文模型直接读文档，部分场景替代 RAG）
• 架构决策树：是否需要跨文档推理→GraphRAG；是否需要多轮动态检索→Agentic RAG；是否需要个性化记忆→Memory-Augmented；简单问答→传统 RAG
• 企业从「文档问答」转向「AI 员工」（自动分析报告、持续运营决策）
• 旧指标（Recall/MRR/BLEU）被任务完成率、决策正确率、长期一致性取代
• 工程价值： ⭐⭐⭐⭐⭐（五大维度完整，决策树实用，附 Python MemoryAugmentedAgent 伪代码）
• 可信度： 高（SegmentFault 行业综述，技术判断清晰）
• 标签： #GraphRAG #AgenticRAG #MemoryAugmented #RAG新范式 #2026
• 后续行动： 补充至"RAG 架构演进"主题页；GraphRAG 实战需对照 Microsoft GraphRAG 官方文档交叉核验

📦 条目 R2：2026 年 RAG 技术演进：从向量检索到 GraphRAG 与 Agentic RAG

• 来源： GitCode CSDN（https://gitcode.csdn.net/69d1bbcf0a2f6a37c59d17da.html）
• 作者： CSDN 博主，专注 AI 工程化
• 发布： 2026-03
• 核心观点：
• 架构选型对照表：传统 RAG（低开发成本/最佳简单场景）vs GraphRAG（高开发成本/复杂关系查询）vs Agentic RAG（中/中高/AI Agent）vs Memory-Augmented（中高/个人助手/长期项目）vs 混合方案（很高/企业全功能）
• FAQ 核心解答：GraphRAG 对单跳问答无优势；知识图谱初始构建可用 LLM 自动化（结构化文档准确率 85%+）；Agentic RAG 有"检索死循环"风险，解决方案：设置最大检索轮次（5–8 轮）+ 评估信息增量 + Token 预算上限
• 附 MemoryAugmentedAgent 三层记忆架构 Python 伪代码（短期对话/中期工作集/长期结构化存储）
• 工程价值： ⭐⭐⭐⭐（架构选型表实用；FAQ 直接回答工程选型困惑；代码示例可落地）
• 可信度： 中（GitCode 转载来源，部分内容需交叉核验）
• 标签： #GraphRAG #AgenticRAG #MemoryAugmented #架构选型 #CSDN工程化
• 后续行动： 与 R1 合并补充至"RAG 2026 新范式"页；Agentic RAG 死循环防护方案值得单独记录

📦 条目 R3：RAG 元数据的作用与管理——让知识库回答可追溯、可过滤、可维护

• 来源： CSDN（hope_wisdom 博客）
• URL： https://blog.csdn.net/weixin_43882318/article/details/158810432
• 发布： 2026-06-09
• 核心观点：
• 以在线教育平台为典型场景，指出仅存储文本内容导致三大问题：无法追溯答案来源、缺乏权限控制、难以定位错误内容
• 元数据设计方案：文档标识/版本控制/业务分类/权限管理/位置信息
• 附 Java 代码示例展示如何为文本块添加元数据
• 工程价值： ⭐⭐⭐（元数据设计是生产 RAG 的必备工程细节；Java 代码示例可直接转化）
• 可信度： 中（CSDN 原创，付费可见部分内容，建议直接看原文）
• 标签： #RAG元数据 #知识库工程 #可追溯性 #Java
• 后续行动： 补充至"RAG 生产工程细节"页

📦 条目 R4：一文彻底搞懂 RAG：原理、流程、实战与生态（2026 最新版）

• 来源： CSDN（weixin_43882318）
• URL： https://blog.csdn.net/weixin_43882318/article/details/158810432
• 发布： 2026-03-14（预估）
• 核心观点：
• 中国信通院数据：截至 2026 Q1，国内具备完整大模型能力的企业超 80 家，15 家实现规模化商业落地，年调用量超千亿 Token
• 开发者面临三难：API 不知哪个稳定便宜好用 / 私有化部署 vs 公有云权衡 / 自研微调 vs 直接调用
• RAG 企业应用全景：未来五年 RAG 从 1.0 工具化演进为"Context Engine"，Agent 从单体智能发展为分布式智能体网络，二者结合形成"Agentic RAG"新范式
• 2026 年将实现：多模态文档理解+上下文平台+Agent 编排框架
• 工程价值： ⭐⭐⭐（产业数据有参考价值；RAG+Agent 融合趋势判断清晰）
• 可信度： 中（产业分析，非一手数据）
• 标签： #RAG产业 #中国大模型 #2026展望 #AgenticRAG
• 后续行动： 产业数据部分可引用至知识库"AI 产业"页面

【Agent · 开发框架横向对比】

📦 条目 A1：2026年AI Agent智能体开发实战：从架构设计到生产部署的完整指南

• 来源： CSDN（huang9604）
• URL： https://blog.csdn.net/huang9604/article/details/161566647
• 发布： 2026-05-31（最新推荐 2026-07-16）
• 核心观点：
• 阿里云/Google 英伟达同天发布重磅 Agent 战略，Gartner 报告：2026 年底 40% 企业应用将嵌入 AI Agent（2025 年不到 5%），但 79% Agent 项目仍在 PPT 阶段
• 生产级 Agent 五层架构：负载均衡/认证鉴权/MCP适配器/A2A适配器/限流熔断 → Agent核心层（意图理解/规划引擎/推理引擎/记忆系统/工具调用/执行）→ 协作层（注册中心/任务调度/协作协调/消息总线/共识协议）→ 工具与数据层 → 安全治理层
• 覆盖 Python+Go 双语言实现代码示例
• 收录于 MCP 技术社区
• 工程价值： ⭐⭐⭐⭐⭐（完整五层架构图 + 双语言代码 + 阿拉丁/MCP 协议生态解读，生产部署直接可用）
• 可信度： 高（CSDN 原创最新推荐，代码比例 40%+，收录 MCP 技术社区）
• 标签： #Agent架构 #MCP协议 #A2A协议 #生产部署 #Python #Go
• 后续行动： 五层架构图值得作为知识库配图；MCP/A2A 协议补充至"Agent 互联互通"主题页；建议精读

📦 条目 A2：2025 AI Agent（多智能体系统）评估和优化指南

• 来源： CSDN（m0_59235245）
• URL： https://blog.csdn.net/m0_59235245/article/details/147552044
• 发布： 2025-04-27（最新推荐 2026-07-16）
• 核心观点：
• Agent 评估和优化在实际工作中占比极高（可能用 2 周搭框架，评估优化做 2 个月）
• 评估流程：数据集取样 → 输入应用 → 获得输出 → 评估器打分
• 评估四维度：任务完成率、决策正确率、长期一致性（替代旧指标 Recall/MRR/BLEU）
• 附 Multi-Agent System 评估指标体系
• 工程价值： ⭐⭐⭐⭐（评估框架直接可用于生产；填补业界 Agent 评估方法论空白）
• 可信度： 高（CSDN 原创，6.6k 阅读，33 收藏，收录智能体开发者社区）
• 标签： #Agent评估 #多智能体 #生产优化 #评估指标
• 后续行动： 补充至"Agent 生产工程"主题页；可与 R1/R2 的指标讨论合并

📦 条目 A3：收藏！2026 最新AI Agent 全解教程——小白&程序员大模型落地完整指南

• 来源： CSDN（kaka0722ww）
• URL： https://blog.csdn.net/kaka0722ww/article/details/161592550
• 发布： 2026-06-01（最新推荐 2026-07-16）
• 核心观点（框架横向测评）：
• LangGraph：事件驱动架构 + 有状态 Agent + 模块化可插拔，针对 Google Gemini 优化
• AutoGen：微软生态 + 多 Agent 对话编排，代码生成能力强，但随机性高/流程不易控制
• CrewAI：角色分工清晰 + 直观易用 + 快速构建 Demo，但复杂场景控制力较弱/默认顺序执行
• Google ADK：灵活模块化 + 模型无关 + 事件驱动架构
• OpenAI Agents SDK：模型能力最强但厂商绑定
• 附各框架 Python 代码示例（Agent/Task/Crew 定义方式）
• 工程价值： ⭐⭐⭐⭐（五大框架横向测评 + 代码示例，选型决策直接可用）
• 可信度： 中高（CSDN 原创，收录 CSDN-OPC 开发者社区，内容全面）
• 标签： #LangGraph #AutoGen #CrewAI #GoogleADK #OpenAIAgentsSDK #框架选型
• 后续行动： 补充至"Agent 开发框架"主题页；建议与 Matt's Blog 后训练文章关联阅读

📦 条目 A4：万字长文：多智能体探索与理解

• 来源： CSDN（xx_nm98）
• URL： https://blog.csdn.net/xx_nm98/article/details/161695328
• 发布： 2026-06-04（最新推荐 2026-07-13）
• 核心观点：
• 京东"京小智"案例：客服+导购+跟单+分析+质检五个专业智能体协同，用户说"手机还没收到又降价了"时，物流专家+政策专家+情绪安抚三个智能体同时被唤醒
• MetaGPT 以 SOP 形式让 Agent 团队合作开发：需求→架构设计→代码→测试，角色包括产品经理/架构师/工程师/质检工程师
• Agent 协作机制：知识共享（不同粒度数据交换）+ 封装工作流（子任务分配+标准化输出）
• 工程价值： ⭐⭐⭐⭐（真实生产案例 + MetaGPT 协作机制解析，工程参考价值高）
• 可信度： 高（CSDN 原创，万字长文，6 个收藏）
• 标签： #多智能体 #MetaGPT #SOP协作 #生产案例 #京东
• 后续行动： 补充至"多智能体系统"主题页；MetaGPT SOP 协作机制值得单独拆解

📦 条目 A5：AI Agent 从概念到落地：2026年企业级智能体架构设计实战

• 来源： 掘金（juejin.cn 转载，疑似 CSDN 生态）
• URL： https://juejin.cn/post/7633994139043676160
• 发布： 2025-04
• 核心观点：
• 智能客服 Agent 架构：用户消息→意图识别 Agent→分类（查询/退款/投诉/转人工）→各专业 Agent→回复生成 Agent
• 反思机制（Self-Reflection）：每次工具调用后 Agent 自我检查（是否获取所需信息/结果是否符合预期/是否需调整策略/是否可直接回复用户）
• 可观测性工具：LangSmith、Langfuse、自研 OpenTelemetry 方案
• 成本优化：Agent 循环特性易导致 Token 消耗失控，需设置上限
• 三阶段演进：Copilot 模式 → 半自动 Agent → 全自动 Agent
• 工程价值： ⭐⭐⭐⭐（智能客服案例完整 + 反思机制 + 可观测方案，工程落地路径清晰）
• 可信度： 中（掘金转载，内容质量较高但原始来源需确认）
• 标签： #Agent架构 #智能客服 #自反思 #可观测性 #LangSmith
• 后续行动： 补充至"Agent 生产部署"页；Self-Reflection 机制值得进入代码参考库

【SFT · RLHF · 后训练链路】

📦 条目 P1：2026年 LLM 微调全指南

• 来源： 53AI（https://www.53ai.com/news/finetuning/2026010417029.html）
• 作者： 53AI 团队（腾讯云 TVP 背景）
• 发布： 2026-01-04
• 核心观点：
• SFT 应用三大场景（2025 年）： 领域适配（代码/医疗/法律/金融）+ 链式思维/过程监督 + 结构化/JSON 输出约束
• RLHF/DPO/GRPO 变体对照： PPO（ChatGPT/GPT-4o）+ DPO（Grok-3/4）+ GRPO（DeepSeek-R1/DeepSeekMath，规则奖励+LLM 评审）
• 微调方法选择： Full Finetuning（极限性能但 80GB+ 显存）→ Partial Finetuning（解冻高层）→ PEFT/LoRA/QLoRA（主流，1%成本达 95–99% 效果）
• 生态工具链： HuggingFace Transformers + PEFT + TRL（DPO/GRPO）+ Unsloth（加速）+ Axolotl + DeepSpeed
• 过拟合/灾难性遗忘解决方案： 早停+正则化 / 混入通用数据+降学习率
• 工程价值： ⭐⭐⭐⭐⭐（全链路覆盖，方法选型有数据支撑，GRPO/DPO/PPO 对照表实用）
• 可信度： 高（53AI 腾讯云 TVP 背景，内容系统完整）
• 标签： #SFT #RLHF #DPO #GRPO #LoRA #QLoRA #PEFT #HuggingFace
• 后续行动： 补充至"LLM 后训练"主题页；GRPO 变体值得精读 DeepSeek-R1 论文交叉验证

📦 条目 P2：LLM 系列（七）：后训练与对齐——从续写器到协作者

• 来源： Matt's Blog（https://matt33.com/2026/06/27/llm-post-training-alignment）
• 作者： Matt（独立技术博主，专注 LLM 系统）
• 发布： 2026-06-27
• 核心观点：
• SFT 本质：不是注入知识，而是把预训练中已有的能力校准到人类指令响应方式（理解指令→判断任务→组织答案→按格式输出）
• 偏好对齐核心：pairwise ranking + LLM judge + 多维 reward + reward calibration
• RLHF→DPO→KTO→IPO→ORPO 各算法适用场景和取舍
• RLVR（强化数学/代码/推理）：答案校验/单元测试/规则验证器/环境反馈
• 工具与 Agent 训练：function calling/工具轨迹/多步任务/环境交互/失败恢复
• 后训练工程挑战全景表： Base Checkpoint 选择 / 指令数据构建 / SFT / 偏好数据构建 / Reward Model / RLHF·DPO / RLVR / 安全对齐 / 工具与 Agent 训练——九大环节核心难点全覆盖
• 工程价值： ⭐⭐⭐⭐⭐（九阶段工程挑战全景表是目前最完整的后训练工程地图；SFT 本质澄清对工程决策有指导意义）
• 可信度： 高（独立优质技术博客，4,838 字深度长文，2026-06-27 最新）
• 标签： #后训练 #SFT #偏好对齐 #RLHF #DPO #RLVR #工具训练 #MattBlog
• 后续行动： 建议精读全文；九阶段工程挑战表直接可作为知识库配图；本文与 P1/P3 可合并为"LLM 后训练完整指南"

📦 条目 P3：大模型基础设施工程 05：训练全景——Pre-train/SFT/RLHF/DPO/蒸馏

• 来源： 土法炼钢兴趣小组（https://quant67.com/post/llm-infra/05-training-overview/05-training-overview.html）
• 发布： 2026-04-22
• 核心观点：
• SFT 工程重点：数据质量>>数据数量；多轮对话 loss mask 只打在 assistant turn；长样本 packing 用 attention mask 隔离
• Alignment 变体：RLHF(PPO) / DPO / GRPO(DeepSeek R1 用) / RLAIF / KTO·IPO·SimPO·ORPO
• 三代 Scaling 对照表： 预训练 scaling（GPT-3/LLaMA/DeepSeek-V3）→ 后训练 scaling（LLaMA-3 SFT+DPO/GPT-4 turbo）→ 推理时 scaling（o1/R1/K1.5，thinking tokens）
• 训练 FLOPs 估算公式：6ND（N=参数量，D=tokens 数）
• Chinchilla Scaling Law 与 DeepSeek MLA/FP8 训练优化
• 工程价值： ⭐⭐⭐⭐⭐（三页 scaling 对照 + FLOPs 公式 + 工程细节，LLM 训练工程必读）
• 可信度： 高（系统梳理，开源存档）
• 标签： #训练全景 #SFT工程 #ScalingLaw #DPO #GRPO #DeepSeek #FLOPs
• 后续行动： 补充至"LLM 训练工程"主题页；三代 scaling 表可作为知识库框架图

📦 条目 P4：RLHF 深入浅出——完整解析人类反馈强化学习的预训练/SFT/RL 微调三阶段

• 来源： CSDN（智能体开发者社区）
• URL： https://adg.csdn.net/696f4e35437a6b403369f8bd.html
• 核心观点：
• PPO 在 RLHF 中的四模型架构：Policy Model(Actor) / Reward Model / Value Function(Critic) / Reference Model
• 奖励黑客（Reward Hacking）问题及缓解方案
• 灾难性遗忘在 RLHF 中的表现：强化某能力时可能削弱预训练通用能力
• 缓解幻觉机制：正确答案高回报 + 不确定时"拒绝回答"中性评分 + 错误答案显著惩罚
• 工程价值： ⭐⭐⭐（PPO 四模型架构图清晰；Reward Hacking 和灾难性遗忘的缓解方案有工程指导意义）
• 可信度： 中（CSDN 智能体开发者社区收录，需确认原始发布者专业度）
• 标签： #RLHF #PPO #RewardHacking #灾难性遗忘 #幻觉缓解
• 后续行动： 补充至"RLHF 工程"页；Reward Hacking 部分与 P2 的 reward calibration 呼应

📦 条目 P5：推理大模型的后训练增强技术——强化学习篇

• 来源： 火山引擎开发者社区（https://developer.volcengine.com/articles/7480397527335763995）
• 核心观点：
• PPO 训练五步：Rollout→奖励模型打分→GAE 计算优势→策略更新（KL散度惩罚+熵奖励）→价值函数更新
• GRPO vs DPO vs RLHF vs RLAIF 在推理模型增强中的定位对照
• Test-time Scaling 方法：并行扩展/顺序扩展/基于搜索的方法
• ORM（Outcome Reward Model）vs PRM（Process Reward Model）在推理任务中的差异
• 工程价值： ⭐⭐⭐⭐（推理模型增强完整链路 + Test-time Scaling 前沿总结）
• 可信度： 中高（火山引擎官方社区，内容质量较好）
• 标签： #推理增强 #GRPO #TestTimeScaling #PRM #ORM #火山引擎
• 后续行动： 补充至"推理模型后训练"页；PRM vs ORM 对照值得进入知识库

📦 条目 P6：大模型微调基本概念指北

• 来源： 博客园（KubeExplorer）
• URL： https://www.cnblogs.com/KubeExplorer/p/18674820
• 发布： 2026（具体日期不详）
• 核心观点：
• SFT 数据质量/规模/多样性权衡：1 万条精标数据即可；数据多样性比规模更重要
• 垂直领域模型选择： Base 模型灾难性遗忘风险低；Chat 模型对话能力强但再 SFT 风险高
• 完整三步：预训练→指令微调→对齐（RLHF/DPO）
• 超参数经验值：10 万样本 2–3 epoch；2–5 万样本 4–5 epoch；领域增强数据几百条即可
• 工程价值： ⭐⭐⭐（垂直领域模型选择决策框架 + 超参经验值，直接可用）
• 可信度： 中（博客园技术博客，内容实用但深度有限）
• 标签： #微调基础 #垂直领域 #灾难性遗忘 #超参数
• 后续行动： 补充至"微调入门"页；超参经验值可作为知识库参考数据点

【向量数据库 · 选型与实战】

📦 条目 V1：面向多模态检索的向量数据库对比分析和技术选型

• 来源： CSDN（asialee_bird，10 年领域专家）
• URL： https://blog.csdn.net/asialee_bird/article/details/146051524
• 发布： 2025-03-05，首次修改 2025-06-12
• 核心观点：
• 八库横向对比：Elasticsearch / Milvus / Pinecone / FAISS / Chroma / PGVector / Weaviate / Qdrant
• 选型核心维度：规模需求 / 托管 vs 自部署 / 已有技术栈 / 预算
• RAG 主要选型：Pinecone/Weaviate/Qdrant（LangChain/LlamaIndex 集成强）
• 研究/基准测试首选：FAISS（GPU 加速）
• 工程价值： ⭐⭐⭐⭐（八库对比表是当前最完整的中文向量库选型参考）
• 可信度： 高（10 年领域专家，6.9k 阅读，35 收藏，收录大模型/数据库/智能体开发者三社区）
• 标签： #向量数据库选型 #FAISS #Milvus #PGVector #Chroma #Weaviate #Qdrant #Pinecone
• 后续行动： 补充至"向量数据库"主题页；建议对照英文原文补充 2026 年更新

📦 条目 V2：Milvus 和 PGVector，哪个更好？

• 来源： 博客园（苏三说技术）
• URL： https://www.cnblogs.com/12lisu/p/19891059
• 核心观点：
• pgvector： 适合 ≤500 万向量；PostgreSQL 扩展；运维极简（1 核）；HNSW 索引；内存占用 100 万条以下 <2GB
• Milvus： 千万到百亿级；需要 etcd+MinIO+Milvus 三容器（或 K8s）；2.6 版简化了对 Kafka 的依赖，内置 Woodpecker
• 一句话选型： 2 核 4G 云服务器选 pgvector；有专门机器或 K8s 集群选 Milvus
• 附 pgvector SQL 示例（DROP INDEX / CREATE INDEX / 向量检索）+ Milvus Java Spring AI Alibaba 集成代码
• pgvector 局限： ORM 支持不完整（Prisma 对 pgvector 支持有缺口）；>100M 向量后 PostgreSQL 关系模型成为瓶颈
• pgvector 优势： 自托管成本比 Pinecone 低约 75%；与现有 Postgres 基础设施整合
• 工程价值： ⭐⭐⭐⭐（工程选型决策直接可用；pgvector vs Milvus 边界清晰；Java 代码示例有参考价值）
• 可信度： 中高（博客园实战经验，代码可运行）
• 标签： #pgvector #Milvus #向量选型 #PostgreSQL #Java #SpringAI
• 后续行动： 补充至"向量数据库实战"页；pgvector ORM 限制（Prisma）值得进入知识库避坑区

📦 条目 V3：Top 15 Vector Databases in 2026: A Production Guide

• 来源： Medium（Pratik Rupareliya）
• URL： https://medium.com/@pratik-rupareliya/top-15-vector-databases-in-2026-a-production-decision-guide-from-100-enterprise-deployments-dd58a04f51a5
• 核心观点（企业部署规律）：
• Pattern 1： 100K 向量以下选 pgvector 或 Chroma，别一开始就上 Pinecone/Milvus
• Pattern 2： 过滤性能（filtered search）比向量召回更容易导致生产故障
• pgvector 上限： 50–100M 向量；超过后 HNSW 索引重建时间成为瓶颈
• 百亿级分布式检索： Milvus / Zilliz Cloud
• 多模态（text+image+audio+video）： LanceDB / Marqo
• pgvector vs Pinecone： 自托管 pgvector 成本低 75%，但 Orchid 支持 ORM 限制需注意；Pinecone 有厂商锁定风险
• 工程价值： ⭐⭐⭐⭐（100+ 企业部署经验总结，工程避坑指南）
• 可信度： 中（Medium 技术博客，有具体数字但无官方背书）
• 标签： #向量数据库生产 #pgvector #Milvus #Pinecone #LanceDB #选型
• 后续行动： Pattern 1/2 直接可作为知识库生产选型原则

【综合评价与知识库写入建议】

本轮高价值条目（T0-T1，建议精读/审稿）

建议分类标签

#RAG #GraphRAG #AgenticRAG #MemoryAugmented #Agent #多智能体 #SFT #RLHF #DPO #GRPO #LoRA #QLoRA #PEFT #后训练 #HuggingFace #向量数据库 #pgvector #Milvus #LangGraph #AutoGen #CrewAI #MCP协议 #A2A协议 #评估体系 #2026新范式

建议写入路径

• /shared/research-kb/inbox/jay/2026-07-18-1220-csdn-rag-agent-finetuning-vector-highevalue-jul2026.md ← 本次草稿（本文件）
• 建议后续由同步任务将以下内容合并至主题页：
• RAG_2026_新范式.md（R1+R2+R3+R4 合并）
• Agent_开发框架横向测评.md（A1+A2+A3+A4+A5 合并）
• LLM_后训练完整链路.md（P1+P2+P3+P4+P5+P6 合并）
• 向量数据库_选型与实战.md（V1+V2+V3 合并）

本轮未覆盖，待下次检索

• MLOps / 模型评估基准 / AI 安全对抗
• 多模态（VLM/图像生成/语音 Agent）
• 具体框架源码解析（vLLM/SGLang/LlamaIndex）
• 国内大模型（DeepSeek/通义/文心/混元）专项深度文章

本文件由 Jay 实例自动生成，内容源自公开 CSDN/博客园/SegmentFault/Medium 技术分享，不代表任何商业立场。引用前请自行核验时效性和准确性。