研究草稿：RAG/Agent/Memory 技术动态（2026-07-20）

主题

RAG、Agent、Memory 系统 2026 年 Q2 技术动态与学术进展

一、CSDN 高价值技术文章

1.1 RAG 范式迁移（高优）

标题： 2026，RAG 正在被重写：从向量检索到 Agent 认知架构的范式迁移 链接： https://blog.csdn.net/qcx23/article/details/160820786 作者： hope_wisdom 发布时间： 2026-07（近期） 标签： #架构 #RAG #AI Agent #agent 工程价值： 引用真实顶会论文，可信度高 核心观点： - 2026 Q1-Q2 顶会 RAG 论文体系梳理：ICML 2026、WWW 2026、ICLR 2026 - 关键论文：A-RAG (arXiv:2602.03442)、AnchorRAG (WWW 2026)、SeaRAG (ACM WWW 2026)、CUE-R (arXiv:2604.05467) - GraphRAG 演进：UniAI-GraphRAG (Nature Scientific Reports 2026) - Agentic RAG 已成主流范式 复现价值： 高——论文引用可查，有代码/官方文档可追溯 可信度： 高——基于真实 arXiv 引用，非空谈 建议行动： 精读 AnchorRAG 和 SeaRAG 两篇，核验 arXiv 原文

1.2 RAG 与 Agent 架构原理与生产实践（高优）

标题： RAG与Agent技术解析：架构原理与落地实践 链接： https://bbs.csdn.net/weixin_33708633/article/details/100194387 发布时间： 2026-07-13 标签： #RAG #Agent #稠密向量检索 #可观测性 工程价值： 高——含实测数据 核心观点： - DPR 向量检索 768 维，ColBERT 比 BM25 准确率高 22%，延迟+15ms - 法律合同按章节切割比固定长度切割准确率提升 31% - Llama3-70B 引用检索内容准确度比 GPT-4 高 18% - RAG 必须验证 Recall@K、Precision@K、nDCG 指标 - Agent 需沙盒环境、人工审核门控、失败回滚、可观测性日志 - 分层架构：LLM（底座）→ RAG（知识延展）→ Agent（系统级执行） 复现价值： 高——有具体数值，可对比验证 可信度： 高——作者实战经验 建议行动： 审稿入库，生产实践参考

1.3 Agent 工程化六大要素（高优）

标题： AI Agent从原型到产品：精通RAG、Skill规划与Python落地实践 链接： https://agent.csdn.net/6a5b30a3662f9a54cb908dab.html 发布时间： 2026-07 标签： #Agent #RAG #Skill #MCP #Harness #可观测性 工程价值： 高——六大工程支柱完整覆盖 核心观点： - 六大组件：Token（滑动窗口上下文）、Skill（业务逻辑封装）、RAG（知识检索）、MCP（多Agent通信）、SDD（状态决策驱动）、Harness（工程化部署） - 混合架构：Java/Go 主控 + Python Skill 执行——收回 LLM 底层操作权，只保留逻辑调度权 - 可观测性：Trace ID 全链路、细粒度步骤追踪、费用监控 - Agentic RAG 替代传统 RAG，融合知识图谱全局视野与 Agent 自主规划 - 2026 年主流框架：LangChain v0.3、AutoGen v0.8、LlamaIndex v0.12 复现价值： 高——代码片段和架构图可参考 可信度： 高——工程实践总结 建议行动： 入库，精读混合架构部分

1.4 Agent 框架性能横评（高优）

标题： 2026年最高频AI Agent框架技术深度解析：从选型到实战 链接： https://agent.csdn.net/6a539c90662f9a54cb8ea0f7.html 标签： #LangGraph #PydanticAI #CrewAI #LlamaIndex #Smolagents #框架评测 工程价值： 高——含 benchmark 数值 核心观点： - LangGraph 评测（延迟/吞吐量）：LangGraph(450/320ms)、PydanticAI(380/200ms)、CrewAI(620/450ms) - CrewAI hierarchical 进程性能开销明显（JSON 序列化延迟 300ms），建议仅用于原型 - 选型建议：企业级工作流→LangGraph；快速原型→PydanticAI/Smolagents；角色化多Agent→CrewAI慎用生产；RAG密集型→LlamaIndex+LangGraph - 2025 年 Agent 框架两个分化方向：Type-Safe（PydanticAI）vs Graph Orchestration（LangGraph） 复现价值： 高——benchmark 数据可验证 可信度： 中高——数据具体，有评测环境说明 建议行动： 入库，框架选型参考

1.5 vLLM 部署与性能优化（中高）

标题： 2026大模型技术演进与部署优化实战指南 链接： https://bbs.csdn.net/weixin_29057237/article/details/100194704 发布时间： 2026-07-13 标签： #vLLM #Ollama #llama.cpp #推理优化 #部署 工程价值： 中高——推理引擎横评 核心观点： - vLLM 吞吐量 7200 tokens/s（A100），TensorRT-LLM 8500 tokens/s - vLLM 无需编译、即插即用，适合 PaaS 和多模型路由 - 各工具最低显存：Ollama 6GB/vLLM 8GB/llama.cpp 3GB/Cube Studio 4GB - 典型延迟：Ollama 28ms/vLLM 15ms/llama.cpp 65ms per token - vLLM Continuous Batching 将 GPU 利用率从 30% 提升至 90% 复现价值： 中——数据可复现 可信度： 中高 建议行动： 入库，生产部署参考

1.6 Harness Engineering 指南（高优）

标题： AI Agent 最佳实践：生产级 Harness Engineering 指南（2026） 链接： https://blog.csdn.net/xx_nm98/article/details/162153537 作者： Denis Sergeevitch（引用开源项目） 标签： #Harness Engineering #Agent #可观测性 #安全护栏 核心观点： - agents-best-practices：provider-neutral、production-ready 的 agentic harness 设计 - 缺失的关键环节是 disciplined harness engineering - 涵盖：component models、checklists、Agent Skills standard 复现价值： 高——GitHub 有开源 repo 可信度： 高 建议行动： 核验 GitHub repo，关联 Substack 来源补充

1.7 LLM 驾驭工程（Harness Engineering）完整指南（高优）

标题： LLM Harness Engineering 大模型驾驭工程 完整精通指南 链接： https://blog.csdn.net/ailiandeziwei/article/details/161979669 发布时间： 2026-07 标签： #Harness Engineering #vLLM #TensorRT-LLM #Prefix Caching #性能优化 工程价值： 极高——含完整 benchmark 对比和优化案例 核心观点： - vLLM vs TRT-LLM benchmark（Llama-3-8B, A100-80GB, BF16）：吞吐量 +24%、TTFT -21%、TBT -20%、P99 -24% - Prefix Caching 场景效果：RAG 上下文（shared_prefix_ratio 0.3，节省 10-20% 内存）、多轮对话（shared_prefix_ratio 0.6，节省 30-40%） - 企业知识助手优化案例：P99 从 28500ms→ 优化步骤后显著下降 复现价值： 极高——完整配置参数可复用 可信度： 高 建议行动： 精读入库，生产级参考手册

二、Substack 高价值内容

2.1 AgentOps 生产部署经验（高优）

标题： AgentOps: Lessons from Over 1,400 Production Deployments of AI Systems 来源： Hugobowne / MLOps Community Substack 链接： https://hugobowne.substack.com/p/agentops-lessons-from-over-1400-production 作者： Hugo Bowne-Anderson + Alex Strick van Linschoten（ZenML） 发布时间： 2026-04-10 标签： #AgentOps #LLMOps #生产部署 #可观测性 #多模态 核心观点： - 2026 是 Agent 十年（不只是一年）——实验阶段已结束 - 从简单 RAG 转向自主系统的明显趋势 - 模型应用分化：快速推理优化 vs 深度推理 - ZenML LLMOps Database：1400+ 生产案例 - 讨论主题：Context Engineering、Silent Failures、团队重建频率 可信度： 高——基于大规模生产数据 建议行动： 精读，核验 ZenML LLMOps Database

2.2 2026 RAG 系统基础设施（高优）

标题： The Infrastructure That Powers RAG Systems 来源： Jam with AI（Shantanu Ladhwe + Shirin Khosravi） 链接： https://jamwithai.substack.com/p/the-infrastructure-that-powers-rag 标签： #RAG #基础设施 #ColPali #多模态 #MLOps 核心观点： - 完整 RAG 系统构建路线图：Phase 1 RAG → Phase 2 AI Agents → Phase 3 RecSys → Phase 4 MLOps - ArXiv Paper Curator 项目：本地 RAG 系统，自动 ingesting 100+ academic PDFs - ColPali 多向量检索 + multimodal generator 的端到端流程 - 生产级 RAG 管道：数据 ingestion → embedding → vector DB → retrieval → generation 可信度： 高——有具体项目代码 建议行动： 核验 GitHub 代码库

2.3 2026 AI Agent 学习路径（高优）

标题： The 2026 Path to Learning AI Agents 来源： AI Agents Simplified 链接： https://aiagentssimplified.substack.com/p/the-2026-path-to-learning-ai-agents 发布时间： 2026-01 标签： #Agent #学习路径 #MCP #系统设计 #RAG 核心观点： - 2020-2022：无状态 LLM wrapper → 2023：工具使用+记忆 wrapper+早期框架 → 2024：图编排 → 2025：MCP标准化+结构化记忆+自主循环 → 2026：多模态+OS级能力 - 核心技能：系统设计、工具合约设计、检索工程、可靠性工程、安全与安全、评估与可观测性、产品思维 - 工具链：LangFlow（可视化原型）、Claude Agent SDK（生产）、Google ADK 可信度： 高 建议行动： 入库，学习路径参考

2.4 2026 AI/ML 系统生产路线图（高优）

标题： The 2026 Roadmap: Production AI/ML Systems 来源： Jam with AI（38k 订阅者） 链接： https://jamwithai.substack.com/p/the-2026-roadmap-production-aiml 发布时间： 2026-01 标签： #AI Agents #Advanced RAG #NLP #RecSys #MLOps 核心观点： - Q1-Q2 2026：AI Agents Course + RAG Continuation（Graph DBs + ColPali） - Q2-Q3 2026：NLP Course: Zero to Fine-tuning - Q3-Q4 2026：RecSys with MLOps - 社区驱动，订阅制 可信度： 高——大订阅量 建议行动： 跟踪课程发布

2.5 LLM 评估工具完整指南（中高）

标题： The Complete Guide to LLM Evaluation Tools in 2026 来源： Future AGI Substack 链接： https://futureagi.substack.com/p/the-complete-guide-to-llm-evaluation 标签： #LLM评估 #RAG评估 #Agent评估 #Galileo #MLflow #Arize 核心观点： - Future AGI：多模态评估（文本/图像/音频/视频），自动化评估，消除 ground truth 依赖 - Galileo：模块化平台，内置 guardrails，RAG 和 agentic workflows 优化 - Arize AI：企业级，幻觉 QA，相关性评估，LLM-as-Judge 可观测性 - MLflow：开源统一评估，RAG 指标，RAGMetrics，内置评估 - 评估维度：Content Accuracy、RAG Metrics、Generative Quality、Format Validation、Safety & Compliance 可信度： 中高 建议行动： 入库，评估工具选型参考

三、学术论文（ArXiv）

3.1 MemoryAgentBench（ICLR 2026）⭐极高价值

标题： Evaluating Memory in LLM Agents via Incremental Multi-Turn Interactions 链接： https://arxiv.org/abs/2507.05257 GitHub： https://github.com/HUST-AI-HYZ/MemoryAgentBench（403 stars） 标签： #Agent Memory #Benchmark #ICLR2026 核心观点： - 评估 Agent 四个核心记忆能力：准确检索、测试时学习、长程理解、冲突消解 - 对比：商业记忆 Agent（Mem0/MemGPT）、长上下文 Agent、RAG Agent - MemoryArena（ICML 2026）——评估 agentic memory 在 agentic 任务上的表现 可信度： 高——顶会接收 建议行动： 精读 + 代码核验

3.2 Beyond Fact Retrieval: Episodic Memory for RAG（AAAI 2026 Oral）

标题： Beyond Fact Retrieval: Episodic Memory for RAG with Generative Semantic Workspaces 链接： https://arxiv.org/abs/2511.07587 标签： #RAG #Episodic Memory #AAAI2026 核心观点： - 场景记忆（Episodic Memory）用于 RAG，超越传统事实检索 - 生成式语义工作区 可信度： 高——AAAI 2026 Oral 建议行动： 精读原文

3.3 Memory in the LLM Era（Survey）

标题： Memory in the LLM Era: Modular Architectures and Strategies in a Unified Framework 链接： https://arxiv.org/html/2604.01707v1 标签： #Agent Memory #Survey #Benchmark 核心观点： - LLM Agent 记忆机制综合分类框架 - 引用 OpenClaw Team 2026 作为 agent 案例（SWE-agent、OpenClaw） - 图记忆、RAG 记忆、长期记忆演进 可信度： 高 建议行动： 泛读，做知识图谱补充

3.4 Mem0 AI Agent Memory 2026 进展报告（高优）

来源： Mem0 官方博客（基于 ECAI 2025 论文 arXiv:2504.19413） 链接： https://mem0.ai/blog/state-of-ai-agent-memory-2026 标签： #Agent Memory #Mem0 #Benchmark 核心观点： - 新算法在 LoCoMo 达 92.5 分（6,956 token/query）、LongMemEval 94.4 分（6,787 token/query） - 支持 21 个框架、20 个向量存储、三种部署模式（云托管/开源自托管/MCP 本地） - 开放问题：记忆压缩、多模态记忆、个性化与隐私平衡 可信度： 高——有 benchmark 数据 建议行动： 入库，关联 Agent Memory 主题页

3.5 分布式多Agent长期记忆成本与精度（IEEE COMPSAC 2026）

标题： Cost and Accuracy of Long-Term Memory in Distributed Multi-Agent Systems Based on LLMs 链接： https://arxiv.org/abs/2601.07978 标签： #Multi-Agent #Memory #IEEE #分布式 可信度： 高——IEEE 接收 建议行动： 泛读

四、GitHub/HuggingFace 资源

五、分类标签体系（建议）

#RAG #Agent #Memory #Agentic-RAG #Harness-Engineering #MLOps
#LLM-Evaluation #vLLM #TensorRT-LLM #LangGraph #LlamaIndex
#Substack #ArXiv #Benchmark #ICLR2026 #AAAI2026 #ICML2026
#WWW2026 #IEEE-COMPSAC-2026

六、建议写入路径

主文件： /shared/research-kb/inbox/jay/2026-07-20-rag-agent-memory-research.md（即本文）

关联主题页建议： - topics/rag.md — 更新范式迁移、AnchorRAG、SeaRAG、Agentic RAG 内容 - topics/agent.md — 更新 MemoryAgentBench、Harness Engineering、框架横评 - topics/memory.md — 新建/更新 Mem0、Agent Memory 综述 - topics/llm-ops.md — 更新 AgentOps 生产经验、vLLM benchmark

七、本轮行动项

撰写实例： Jay 撰写时间： 2026-07-20 12:20 UTC 草稿状态： 初稿，待审稿