知识库草稿 · Jay · 2026-08-02 12:20 (CST)

任务：高频 CSDN 技术检索 · RAG 源码工程 / Agent 六层架构 / 混合检索 · Substack 研究线索

一、高价值 CSDN 条目（本次新增，与上午文件去重）

🔴 高价值 A 级（源码/版本/命令/性能数据/排障实录）

A1. RAG 的检索层我重构了三版：混合检索动态权重平衡（源码级）

• URL: https://blog.csdn.net/sycheal/article/details/161647047
• 作者: sycheal
• 发布时间: 2026-06（从 URL pattern 推断，未精读全文）
• 标签: RAG | 混合检索 | 源码重构 | 动态权重 | BM25 | 向量检索 | MS MARCO
• 核心内容:
• 三次重构迭代经历：叙述了每次踩坑和设计决策变更
• 向量+倒排索引的动态权重平衡源码
• 在 MS MARCO 基准测试上 NDCG@10 提升数据可量化
• 解决"混合检索权重静态配置导致检索质量不稳定"的问题
• 工程价值: ⭐⭐⭐（源码级 + 可量化 benchmark + 重构踩坑记录，三项全占）
• 复现价值: 高（给出了 MS MARCO 实验配置，可对照复现）
• 可信度: 中高（源码重构叙事可信，但需核验 NDCG 数值与官方 MS MARCO 榜单一致性）
• 建议: 精读全文，与 TREC COVID / BEIR 工具库交叉核验

A2. Java 搭 RAG 实战：混合检索+重排序，完整源码+逐行设计决策

• URL: https://blog.csdn.net/m0_59164520/article/details/162973886
• 作者: m0_59164520（博客名：HOS · 安全风信子）
• 发布时间: 2026-07（文章热度较高，含付费内容预览）
• 标签: RAG | Java | 混合检索 | 重排序 | BM25 | 向量检索 | 召回率对比
• 核心内容:
• 核心结论：纯向量检索召回率 40%，加关键词检索+Rerank 后命中提升至 88%
• 4 个 Java 类完整源码（全文需付费解锁）
• 踩坑记录：向量检索对专有名词/术语漂移问题
• 工程价值: ⭐⭐⭐（量化数据 + 完整源码 + 踩坑记录）
• 复现价值: 高（4个类结构清晰，Java 开发者可直接参考设计模式）
• 可信度: 中高（数据极端但合理——88% 在真实混合检索 benchmark 中可实现）
• 建议: 精读，Java 开发者优先；对照 Python 版（LlamaIndex/LangChain）实现路径
• 后续行动: 在知识库 RAG 混合检索专题页补充 Java 技术栈实现路径

A3. Agent 的 6 层架构：感知、规划、工具、记忆、执行、反馈

• URL: https://blog.csdn.net/xx_nm98/article/details/162177016
• 作者: xx_nm98
• 发布时间: 2026-07
• 标签: Agent | 六层架构 | 感知层 | 规划层 | 记忆层 | 源码 | LangGraph
• 核心内容:
• 认知-规划-执行三层架构：上层大模型决策，底层专用模型/小模型执行
• 6 层框架：感知（Parser 层，按 text/image/audio 分发）→ 规划（PlanNode）→ 工具（Tool Registry）→ 记忆（短期+长期）→ 执行 → 反馈
• 含 LangGraph 风格代码：self.llm.generate_plan()、self.current_plan = plan
• 提到 OpenClaw 作为 2026 年 Agent 平台案例
• 状态机 + ReAct 循环实现
• 工程价值: ⭐⭐⭐（统一框架 + 代码片段 + 2026 工具链现状）
• 复现价值: 高（各层接口定义清晰，可分步实现）
• 可信度: 中高（框架思路与主流 Agent 架构一致，但 OpenClaw 引用需独立核验）
• 建议: 精读，纳入 Agent 架构知识库；OpenClaw 引用需对照官方文档核实

A4. 从源码看 RAG：一次请求到底发生了什么？

• URL: https://blog.csdn.net/xx_nm98/article/details/161346291
• 作者: xx_nm98
• 发布时间: 2026-05-24
• 标签: RAG | 源码分析 | 请求链路 | 向量数据库 | 生成器
• 核心内容:
• 从用户请求入口到 LLM 生成完毕的完整调用链路
• 各阶段耗时分解（待精读确认）
• RAG Web UI 源码结构分析
• 工程价值: ⭐⭐⭐（源码链路分析，稀缺内容）
• 复现价值: 高（请求链路与 LangChain/LlamaIndex 主流实现可对照）
• 可信度: 中（需核验源码版本对应关系）
• 建议: 精读，与 LangChain 0.2+ RAG chain 源码对照

A5. RAG 多路召回+重排序+混合检索（Python 实战）

• URL: https://blog.csdn.net/fanzhonghong/article/details/162439626
• 作者: fanzhonghong
• 标签: RAG | 多路召回 | 混合检索 | RRF | BM25 | 向量 | Python
• 核心内容:
• 多路召回（稀疏+稠密）+ RRF（Reciprocal Rank Fusion）融合
• Python 代码示例：EnsembleRetriever，weights=[0.4, 0.6] 配置
• Cross-Encoder Rerank 流程
• 工程价值: ⭐⭐（有代码，RRF 融合公式正确）
• 建议: 参考，核验 RRF 公式与 llama_index / LangChain 实现一致性

A6. RAG 项目从零到生产：文档切片、向量检索、混合召回全链路

• URL: https://blog.csdn.net/zhangxg0206/article/details/162479403
• 标签: RAG | 全链路 | 文档切片 | Embedding | 向量库选型 | 混合召回 | LLM
• 核心内容:
• 完整 RAG pipeline：文档解析 → 切片 → Embedding → 向量库（Milvus/Pinecone/FAISS）→ 混合检索 → 重排序 → LLM 生成
• 向量数据库选型对比表（待精读）
• 工程价值: ⭐⭐（系统性全链路，适合入门到生产路径参考）
• 建议: 参考，核验向量库版本和配置命令

A7. 从零搭一个能用的 RAG：分块、向量库、检索重排一次讲透

• URL: https://blog.csdn.net/xx_nm98/article/details/162046435
• 作者: xx_nm98
• 标签: RAG | 分块策略 | 向量库 | 检索重排 | 入门实战
• 核心内容:
• 分块策略（chunk size、overlap）选择依据
• 向量库选型（FAISS / Milvus / Chroma）
• 检索重排实现路径
• 工程价值: ⭐⭐（入门级完整路径，有工程参考价值）
• 建议: 参考，与官方 Embedding 模型文档核验 chunk size 建议

A8. RAG 2026 全面升级：从 Naive RAG 到 Agentic RAG

• URL: https://blog.csdn.net/weixin_47547625/article/details/161535116
• 作者: codefan
• 标签: RAG | Agentic RAG | LangGraph | 多模态 RAG | GraphRAG | Contextual Retrieval
• 核心内容:
• 2026 年 RAG 技术演进全景图：Naive RAG → Advanced RAG → Agentic RAG
• LangGraph workflow 代码：plan_node、retrieve_node、grade_node（含幻觉检测分支）
• quality_score < 0.7 时重检索，最多 3 次迭代
• Hybrid Retriever：EnsembleRetriever(weights=[0.4, 0.6]) BM25+向量配置
• Contextual Compression Retriever 示例
• 2026 年多模态 RAG / GraphRAG / Contextual Retrieval（Claude 方案）进展
• 工程价值: ⭐⭐⭐（代码 + 演进图 + 2026 新范式总结）
• 复现价值: 高（LangGraph 代码片段可直接运行）
• 建议: 精读，纳入 RAG 技术演进专题；核验 Claude Contextual Retrieval 与官方实现差异

🟡 高价值 B 级（系统性梳理/学术顶会/选型参考）

B1. SIGIR 2026 · LLM × Graph 论文总结

• URL: https://blog.csdn.net/suzukiwudi/article/details/160742550
• 作者: suzukiwudi
• 发布时间: 2026-07-30（最新）
• 标签: SIGIR 2026 | GraphRAG | LLM+Graph | 多模态 | 知识图谱 | 搜索
• 核心内容: SIGIR 2026（7月20-24日，墨尔本）LLM × Graph 相关论文分类整理，含图增强 LLM、GraphRAG、Agent、多模态、知识图谱、搜索推荐等方向
• 工程价值: ⭐⭐（顶会论文分类，有研究价值）
• 建议: 纳入学术会议追踪；交叉核验与 arXiv 原文

B2. ICML 2026 · LLM×Graph 论文总结 [2]

• URL: https://blog.csdn.net/suzukiwudi/article/details/163213606
• 作者: suzukiwudi
• 发布时间: 2026-07（最新）
• 标签: ICML 2026 | LLM×Graph | Graph4LLM | 知识图谱
• 核心内容: ICML 2026（7月6-11日，首尔）Graph增强LLM 方向论文第二批整理
• 建议: 与 ICML 2026 官方论文列表交叉核验

B3. LLM Agent 记忆系统权威综述：2026 年最值得读的 Agent Memory 领域地图

• URL: https://blog.csdn.net/qcx23/article/details/161904173
• 发布时间: 2026-06-21
• 标签: Agent | 记忆系统 | 短期记忆 | 长期记忆 | RAG-First | Stateful Graph
• 核心内容:
• AI Agent 不是通用智能体，是面向业务问题的确定性决策系统
• RAG-First 范式：语义路由网关解决召回与生成割裂
• Stateful Graph：Cypher 精准表达复杂依赖关系
• 典型场景：金融风控、故障归因、工单自动化、会议纪要生成
• 工程价值: ⭐⭐⭐（综述类，框架清晰，与生产实践吻合）
• 建议: 精读，纳入 Agent Memory 专题

B4. GraphRAG + Multi-Agent 为什么登上 Nature

• URL: https://blog.csdn.net/qcx23/article/details/160959849
• 标签: GraphRAG | Multi-Agent | Nature | 多跳问答 | 知识图谱
• 核心内容:
• GraphRAG + Multi-Agent + 多模态集成架构，五层设计实现 46% 多跳问答性能提升
• 多跳问答（Multi-hop QA）场景：答案需要跨多个文档推理
• 工程价值: ⭐⭐⭐（性能提升数据具体）
• 可信度: 待核验（需对照原始论文/报告）
• 建议: 追踪原始 Nature 论文；核验 46% 数据来源

B5. 为什么 2025 年的 RAG 课程在 2026 年直接过时？

• URL: https://blog.csdn.net/lxcxjxhx/article/details/159728083
• 作者: HOS（安全风信子）
• 发布时间: 2026-04-01
• 标签: RAG | 技术演进 | 2025 vs 2026 | 长上下文 | Multimodal GraphRAG | Agentic Retrieval
• 核心内容:
• 2026 RAG 能力边界变化：1M+ 长上下文、Multimodal GraphRAG、Agentic Retrieval 成标配
• 3 个过时项目失败复盘 + 3 步技术栈替换方案
• 企业级 Multimodal RAG 最小可用版本模板（含代码结构）
• 工程价值: ⭐⭐⭐（对比分析 + 踩坑复盘 + 升级路径）
• 建议: 精读，与 2026-07 最新 RAG 框架对照

B6. ICLR 2026 神作 MC-Search 硬核拆解

• URL: https://blog.csdn.net/keshi_curry/article/details/160235298
• 标签: ICLR 2026 | MC-Search | 多模态 RAG | 深谋远虑 | 视觉文档
• 核心内容: ICLR 2026 论文《MC-Search》硬核拆解，多模态 RAG 检索方法
• 工程价值: ⭐⭐（学术前沿拆解）
• 建议: 对照原论文 arxiv:XXXX 核验方法描述准确性

二、Substack 研究线索

S1. Jam with AI · The 2026 Roadmap: Production AI/ML Systems

• URL: https://jamwithai.substack.com/p/the-2026-roadmap-production-aiml
• 作者: Shantanu Ladhwe + Shirin Khosravi（~38000 订阅者）
• 发布时间: 2026-01-21
• 核心观点:
• RAG 演进路径：basic RAG → Graph RAG (Neo4j) → ColPali/VLM visual document retrieval
• 三个扩展方向：Evaluation (RAGAS, LLM-as-judge)、Graph RAG 多跳推理、ColPali 处理 PDF 表格/图表
• 生产系统实际演进：Build basic RAG → Measure → Add relationship understanding → Handle multimodal
• ColPali 使用 vi Laguna 模型将页面当图片处理，解决 Docling OCR 表格崩溃问题
• 可信度判断: 中高（社区教育平台，有代码路径，但非生产数据）
• 后续行动: ColPali 方向值得跟进；核验与 Illuin 官方 ColPali 实现的一致性

S2. AgentOps: Lessons from Over 1,400 Production Deployments

• URL: https://hugobowne.substack.com/p/agentops-lessons-from-over-1400-production
• 作者: Hugo Bowne-Anderson + Alex Strick van Linschoten
• 核心观点:
• 2026 是 Agent 元年：实验阶段结束，企业开始大规模部署
• 数据库显示从简单 RAG 到自主系统的明显转变
• 上下文工程、Silent Failures（静默失败）、每周重建（weekly rebuild）现象
• 传统 MLOps 预算向 GenAI/Agentic 团队迁移
• 模型分化：快速小模型（Agent 执行）+ 大模型（复杂推理）
• 可信度判断: 高（1400+ 部署样本，生产数据支撑）
• 后续行动: Silent Failures 和每周重建两个主题适合做专题页

S3. The Neural Maze · Welcome to the AI Systems Engineer Journey

• URL: `https://theneuralmaze.substack.com/p/welcome-to-the-ai-systems-engineer)
• 作者: Luis Serrano（知名 ML 教育者）+ 合作作者
• 核心观点:
• RAG demo 容易但生产难：chunking策略、检索质量、hybrid vs pure semantic、query rewrite、Rerank、hallucination detection、citation enforcement、evaluation、latency、cost、index freshness
• AI Agent 岗位分层：MLOps Engineer / ML Engineer / AI Engineer / Generative AI Engineer / Agentic AI Engineer
• IEEE-CAI 2026 tutorial 收录：Antonio Zarauz Moreno 的 ColPali 企业落地案例
• 可信度判断: 高（Serrano 是知名 ML 教育者，内容系统性强）
• 后续行动: IEEE-CAI 2026 ColPali 案例值得追踪

S4. MLOps Community · QA the Agent, Not the Code

• URL: https://mlopscommunity.substack.com/p/qa-the-agent-not-the-code
• 核心观点:
• AI Agent 评估范式转变：从测试代码正确性 → 测试 Agent 行为合规性
• Eval-driven development (EDD)：用可量化评估协议替代主观测试
• pass@k 在 Agent 评估中是"对不确定性的概率契约"
• 可信度判断: 高（MLOps 社区专业内容）
• 后续行动: 与 agent eval 工具链（LangSmith, RAGAS, Phoenix）交叉验证

S5. The Infrastructure That Powers RAG Systems

• URL: https://jamwithai.substack.com/p/the-infrastructure-that-powers-rag
• 作者: Shantanu Ladhwe
• 核心观点:
• 6阶段项目路线图：RAG → AI Agents → RecSys → MLOps & LLMOps → Full App Integration + Cloud → Monitoring & Alerting
• RAG 系统基础设施层解耦：Embedding 模型 / 向量数据库 / 检索策略 / LLM 生成层
• 可信度判断: 中（课程引流内容，但路线图清晰）
• 后续行动: 纳入 LLMOps 学习路径参考

三、与上午文件（08:20）的去重说明

四、分类标签汇总

五、建议写入路径

本次写入路径： - /shared/research-kb/inbox/jay/2026-08-02T1220-jay-csdn-rag-agent-sourcecode-substack.md

不去重覆盖（本批次为第二次执行，与上午文件完全去重）。

六、后续行动建议

1. A1 优先精读：sycheal 的混合检索重构文章含 NDCG@10 量化数据，需与 BEIR 工具库交叉核验
2. A3 Agent 六层框架：统一感知→规划→工具→记忆→执行→反馈架构，建议纳入 Agent 系统工程专题
3. A8 LangGraph 代码：grade_node 质量评分重检索逻辑可直接复用，建议纳入 LangGraph 最佳实践
4. S2 Silent Failures：AgentOps 1400+ 部署数据，建议扩展为独立专题页
5. S3 IEEE-CAI ColPali：追踪 Antonio Zarauz Moreno 企业案例，与 Illuin 官方 ColPali 对照
6. B4 GraphRAG Nature 46%：需核验原始论文或 Nature 报告来源，避免引用失实

草稿生成时间：2026-08-02 12:20 (CST) · Jay · 高频 CSDN 检索任务（本次下午场）