知识库草稿 · Jay · 2026-07-29

本次主题

CSDN 高价值检索 · RAG / Agentic RAG / 多模态 RAG / Agent 工具调用 / LLM 应用架构

检索范围

• 平台：CSDN 博客 + CSDN Agent 社区 + Substack（AI/ML 技术 newsletter）+ 腾讯云开发者社区
• 关键词：RAG 2026、Agentic RAG、多模态 RAG、Function Calling、MCP、LLM Agent 架构
• 时效：优先 2026 年内容，兼顾 2025 年经典

一、CSDN 高价值条目

条目 1｜RAG 2026 全面升级：从 Naive RAG 到 Agentic RAG

• 来源：小二丶的博客 · CSDN 付费专栏
• 发表：2026-07-16（新鲜）
• 标签：#RAG #Agentic RAG #向量数据库 #LangChain #Milvus
• 核心内容摘要：
• 提出 RAG 四代演进架构：Naive RAG（2023）→ Advanced RAG（2024）→ Modular RAG → Agentic RAG（2025-2026）
• 分析 RAG 在长上下文时代不可替代的三大优势（知识动态更新、可审计、可溯源）
• 逐代拆解各代架构关键升级点与典型缺陷
• Milvus / Chroma / FAISS 三大向量库选型指南：Milvus 适合大规模生产级；Chroma 轻量原型；FAISS 适合单机场景
• 基于 LangChain + Milvus 的实战案例 + 12 条性能优化技巧
• 2026 年 Agentic RAG 最新进展：多模态 RAG、GraphRAG 知识图谱增强、Contextual Retrieval（Claude 方案）
• 工程价值：⭐⭐⭐⭐（生产级实战，架构演进路径清晰，适合工程师选型参考）
• 复现价值：⭐⭐⭐⭐（含完整实战代码片段和性能优化清单）
• 涉及版本：LangChain、Milvus（需补充具体版本号再核验）
• 可信度判断：高。作者为 CSDN 认证博客专家，有明确署名和付费专栏，内容结构完整。
• 后续行动：建议精读「12 条性能优化」和「Agentic RAG 组件拆解」部分；可对照原论文验证 GraphRAG 方案。

条目 2｜从 Prompt 到 Agent：2026 年 LLM 应用的四层架构

• 来源：dicha7140的博客 · CSDN
• 发表：2026-06-15（需确认）
• 标签：#LLM应用 #Prompt工程 #Agent #RAG #多Agent #系统设计
• 核心内容摘要：
• 提出 L1→L2→L3→L4 四层演进路径：Prompt Engineering → RAG → Tool Calling → Agent
• 核心观点：RAG 本质是企业知识治理的数字化流水线；Agent 是具备状态机、角色契约与记忆治理的数字员工
• PDF 分块策略、Qdrant 与 Redis 协同、Agent 执行超时熔断、Prompt Schema 校验与自动化测试
• 提供从本地 Ollama 到 vLLM + K8s 的部署路径
• 附面试核心考点解析（意图分类、置信度阈值、Tool Calling 设计）
• 工程价值：⭐⭐⭐⭐（企业级知识库构建方法论，兼顾架构与面试）
• 复现价值：⭐⭐⭐（含代码片段，部署路径覆盖端到端）
• 涉及版本：Ollama、vLLM、K8s、Qdrant、Redis
• 可信度判断：中高。作者为 CSDN 博客专家，内容系统性强，但需补充具体版本号和实测数据。
• 后续行动：可作为 RAG 系统设计培训材料；建议对照实际项目验证 PDF 分块策略。

条目 3｜AI Agent 工具调用四范式：Function Calling / MCP / CLI / Skills 全景对比与选型指南（附代码）

• 来源：萧青山 @ CSDN AI Agent技术社区
• 发表：2026 年（具体日期需核验）
• 标签：#Function Calling #MCP #CLI #Skills #Agent工具调用 #架构选型
• 核心内容摘要：
• 背景：Perplexity CTO 引发 "MCP已死，CLI当立" 争论，本文系统反驳并提出融合路线
• 四种范式本质对比：
  • Function Calling：工具是代码里写死的（快速原型）
  • MCP：工具是协议自动发现的（企业级服务契约）
  • CLI：工具是 AI 本来就会的（高效原生执行）
  • Skills：流程是人类预先定义的（合规审计、可解释）
• 选型决策树：工具 ≤ 30 用 prompt；30-300 用 tool retrieval 或 MCP 分组；>300 用 OpenAPI 自动转 + retrieval + 分层决策
• 混合架构三层模型：MCP（服务契约）+ Skills（编排蓝图）+ CLI（原生执行）
• 含生产级选型对比表和伪代码实现
• 工程价值：⭐⭐⭐⭐⭐（18 分钟深度阅读，生产级选型参考，代码可直接参考）
• 复现价值：⭐⭐⭐⭐（伪代码可转化为实际实现，决策树可直接用于架构评审）
• 涉及版本：Python 3.10+，OpenAI Function Calling 规范，MCP 协议 2025-2026 版本
• 可信度判断：高。CSDN Agent 垂直社区内容，作者署名清晰，有代码有对比有决策树，工程实用性强。
• 后续行动：建议加入知识库核心条目；精读选型决策树和混合架构部分；可在项目中做验证。

条目 4｜【大模型基础设施工程】20：工具调用与 MCP

• 来源：土法炼钢兴趣小组 · 技术博客（RSS 来源）
• 发表：2026-04-22
• 标签：#Function Calling #MCP #工具调用 #LLM基础设施 #A2A协议
• 核心内容摘要：
• MCP 生态全景：官方 servers 覆盖 filesystem、git、github、postgres、sqlite、puppeteer、brave-search 等
• 第三方热门 MCP：Cloudflare Remote MCP（跑在 Workers 上）、Composio/Pipedream（5000+ SaaS API 包装）、MCP.so / Smithery / Glama（MCP 应用商店）
• 国内：字节 Trae、阿里通义灵码、Cursor 中文社区已接入；DeepSeek / GLM / Qwen 推出 MCP client 示例
• 国内大模型工具调用现状：DeepSeek-V3 原生 function calling + FIM；GLM-4-Plus 支持 tools；Kimi moonshot-v1 兼容 OpenAI；MiniMax abab7 支持 OpenAI tools
• Function Calling vs MCP vs A2A 协议对比（A2A = Anthropic 背书的 Agent 间通信协议）
• 工程价值：⭐⭐⭐⭐（MCP 生态全景图，国内大模型 API 工具调用兼容性清单）
• 复现价值：⭐⭐⭐（各厂商 SDK 样例可直接参考）
• 涉及版本：MCP 协议 2025-2026；各厂商 API 版本（见文中 §11）
• 可信度判断：高。作者为 AI 基础设施系列作者，内容体系化，有深度。
• 后续行动：建议加入知识库 MCP 生态页面；可对比验证国内大模型 MCP 兼容性。

条目 5｜多模态 RAG 综述（一）Ask in Any Modality: A Comprehensive Survey on Multimodal Retrieval-Augmented Generation

• 来源：qq_52441682的博客 · CSDN
• 发表：需核验（snippet 显示 2025-07-21）
• 标签：#多模态RAG #MRAG #RAG综述 #多模态检索
• 核心内容摘要：
• 引用论文：A Survey on Multimodal Retrieval-Augmented Generation
• 传统 RAG 主要生成纯文本，多模态 RAG 场景中多模态元素被检索出来辅助文本生成
• M-RAG 系统架构与传统 RAG 的关键区别（跨模态检索、对齐、融合）
• 附 AFLoc（Nature Biomedical Engineering 2026-01）：零标注多模态视觉-语言模型，医疗影像病灶定位
• 工程价值：⭐⭐⭐（综述性质，适合建立全局认知）
• 可信度判断：中高。引用顶刊论文，内容系统，但需要对照原论文验证。
• 后续行动：建议对照原论文精读；补充至知识库 RAG 综述/多模态 RAG 专题页。

条目 6｜SIGIR 2026 | LLM × Graph 论文总结（图增强 RAG、mKG-RAG）

• 来源：suzukiwudi的博客 · CSDN
• 标签：#GraphRAG #知识图谱 #LLM+Graph #SIGIR2026 #多模态推荐
• 核心内容摘要：
• 5 篇聚焦 GraphRAG 技术；3 篇涉及多模态推荐；2 篇探索 LLM 与知识图谱协同推理
• 产业论文展示电信领域知识图谱 + RAG 落地案例
• mKG-RAG（多模态知识图谱 RAG）用于视觉问答
• 工程价值：⭐⭐⭐（学术前沿，适合追踪 GraphRAG 趋势）
• 可信度判断：中高。学术会议论文总结，有引用来源。
• 后续行动：可作为 GraphRAG 专题页更新素材；需对照原论文核实技术细节。

条目 7｜2026 年 AI Agent 工程化：从 Prompt Engineering 到 Harness Engineering 实战

• 来源：weixin_34226706的博客 · CSDN
• 标签：#Harness Engineering #Agent工程化 #Prompt Harness #Context Harness
• 核心内容摘要：
• 传统 Prompt Engineering 在生产环境面临稳定性、可维护性、自进化挑战
• Harness Engineering：将 Agent 组件标准化和配置化管理
• 以 GitHub 明星项目 Hermes Agent 为例，深度解析 Prompt Harness、Context Harness、Tool Harness
• 适用于需要高可靠性的企业级应用场景
• 工程价值：⭐⭐⭐⭐（工程化视角，有别于算法视角的 Agent 开发）
• 复现价值：⭐⭐⭐（以 Hermes Agent 为例，需 pull 代码验证）
• 可信度判断：中高。需要对照 Hermes Agent 源码验证。
• 后续行动：建议对照 Hermes Agent GitHub 源码做复现验证。

条目 8｜多模态 RAG 2026：从文本检索到跨模态语义理解的架构升级

• 来源：yonggeit的博客 · CSDN
• 发表：2026-07-26（最新鲜）
• 标签：#多模态RAG #YOLO #目标检测 #边缘部署
• 核心内容摘要：
• YOLOv8 → v9 → v10 → v11 演进，NMS-free 端到端成趋势
• 多模态融合从 CNN 融合 → Transformer 融合，从统一权重 → 实例感知动态权重
• 低光照检测：RGB-IR 融合成标配，频域分析 + 光照感知
• 边缘部署：TinyML + 剪枝量化 + FPGA，5W 功耗下实时检测
• 工程价值：⭐⭐⭐（计算机视觉多模态融合趋势，偏 CV 而非 LLM）
• 可信度判断：中。snippet 信息有限，需读取全文判断。
• 后续行动：优先级低，可延后处理。

二、Substack 高价值条目

条目 S1｜The Complete Guide to LLM Evaluation Tools in 2026

• 来源：Future AGI @ futureagi.substack.com
• 发表：2026 年
• 标签：#LLM评估 #RAG评估 #Agent评估 #幻觉检测 #多模态评估
• 核心观点：
• 传统 BLEU/ROUGE 无法衡量 RAG 回答质量、对话连贯性或 Agent 工具选择正确性
• 2026 年 LLM 评估工具全景：Galileo（模块化 + 实时 guardrails）、Arize AI（企业级 + 幻觉检测）、MLflow（开源 + RAG 指标）、Patronus AI（安全 + 格式校验）
• Agent as a Judge：多步 CoT 推理进行输出评估，适合模型能力边缘场景
• 多模态评估：文本、图像、音频、视频统一评估
• Gartner 预测：2026 年底 40% 企业应用将内置任务特定 AI Agent
• 可信度判断：高。专业 AI 评估 newsletter，有具体产品对比和技术分析。
• 后续行动：建议对照原站精读各工具对比部分；可加入知识库 AI 工程化/评测专题。

条目 S2｜How to Choose Your AI Agent Stack in 2026 - The Nuanced Perspective

• 来源：The Nuanced Perspective @ thenuancedperspective.substack.com
• 标签：#AI Agent技术栈 #模型选型 #RAG #多模态 #观测 #A2A
• 核心观点：
• 2026 年模型能力收敛：多模态从 Gemini 独有变为基线能力；推理深度各厂商接近
• Eval 范式转变：从 one-shot eval 转向 continuous improvement loop；LLM judges 成为默认评分方式
• 混合搜索成生产默认：向量 + 关键词 + 元数据信号组合；naive RAG（仅语义相似度）已很少直接上线
• Managed retrieval 服务（如 Glean）提供端到端管道，牺牲控制力换取免运维
• A2A 协议（Anthropic 背书）和 MCP（Anthropic/Google 并行推进）正在形成 Agent 生态的双轨
• 可信度判断：高。有独立观点，非广告，内容有洞察。
• 后续行动：可加入知识库 Agent 架构选型参考；A2A vs MCP 对比值得深入研究。

条目 S3｜The 2026 Path to Learning AI Agents

• 来源：AI Agents Simplified @ aiagentssimplified.substack.com
• 标签：#AI Agent学习路径 #多Agent #CrewAI #LangGraph
• 核心观点：
• Agent 系统设计核心：LLM + 工具 + 数据库 + 子 Agent 的编排，类似后端架构
• 工具与契约设计：用严格 schema 定义输入输出，防止 LLM 错误
• 检索工程：chunking、embeddings、re-ranking 基本功
• 可靠性工程：重试、超时、退避、熔断、fallback
• 2026 年多 Agent 演进：planner + memory + verifier 角色分工，集群协作成主流
• CrewAI：轻量多 Agent 团队协作框架，适合快速原型
• 可信度判断：中高。学习路径类内容，适合入门参考，需要结合更深度资料补充。
• 后续行动：可作为 Agent 学习路线页素材。

三、分类标签汇总

#RAG #Agentic RAG #多模态RAG #GraphRAG #Function Calling #MCP #CLI #Skills
#LLM评估 #Agent工程化 #Harness Engineering #A2A协议 #向量数据库
#LangChain #Milvus #CrewAI #LangGraph #vLLM #Ollama
#多Agent #Prompt工程 #RAG优化 #LLM基础设施

四、建议写入路径

五、后续行动建议

1. 精读优先级： - 🔴 高：条目 3（Agent工具调用四范式）+ 条目 1（RAG 2026 全面升级） - 🟡 中：条目 4（MCP生态）+ 条目 S1（LLM评估）+ 条目 S2（Agent Stack选型） - 🟢 低：条目 5-8（次要条目）

2. 审稿/核验： - 需对照原论文核实条目 5（多模态RAG综述）的技术细节 - 需对照 Hermes Agent 源码核实条目 7 的描述

3. 主题页更新建议： - RAG 专题页：纳入 Agentic RAG 四代演进图 + 12 条优化技巧 - MCP 生态页：纳入国内大模型兼容性清单 + A2A 协议对比 - Agent 工具调用页：纳入四范式选型决策树

元信息

• 检索时间：2026-07-29 08:20 (UTC+8)
• 实例：Jay
• 任务类型：每日高频检索（第 3 次）
• 草稿版本：v1.0