研究知识库草稿 · Jay · 2026-08-07

本次主题： LLM Agent 系统 / RAG 检索优化 / MCP 协议 · CSDN 高价值文章 + Substack 洞察 检索范围： CSDN（LangChain/LangGraph/RAG/MCP）、Substack（AI research/Agent/RAG） 执行时间： 2026-08-07 12:20 (Asia/Shanghai)

一、LangGraph 工程化（高价值）

1. LangGraph Python 最佳实践（含版本对照表）

  • 链接： https://blog.csdn.net/weixin_38805083/article/details/161898573
  • 发布时间： 2026（持续更新，抓取日期 2026-06-11）
  • 核心框架版本： LangGraph 1.2.4 / langchain-core 1.4.5 / LangChain 1.x
  • 工程价值：⭐⭐⭐⭐⭐
  • 提供 LangGraph vs LangChain agents vs OpenAI Agents SDK vs CrewAI vs AutoGen v0.4 横向能力矩阵
  • 包含 create_react_agent 源码路径、同步/异步实现差异、checkpoint 持久化方案
  • 明确标注 v1.0.0 = 2025-10-17，v2 streaming 格式（GraphOutput/StreamPart）
  • 社区经验：State 粒度的"小/稳定/可序列化"为社区共识
  • 可复现性： 高，含完整代码片段和版本号标注
  • 可信度判断： 高——引用官方文档日期和 changelog，非二手整理
  • 建议行动： 精读，适合作为 LangGraph 框架选型的基准参考文档

2. LangChain v1 架构重构深度解析

  • 链接： https://blog.csdn.net/weixin_43712047/article/details/155506584
  • 发布时间： 2025（旧版 v0.3 → 2025年 v1.0→v1.1→v1.2 演进）
  • 核心价值： 对比表——Chains（线性）vs Agents（图循环）、AgentExecutor → LangGraph、Middleware 机制
  • 工程价值：⭐⭐⭐⭐ — API 演进历史清晰，适合做版本迁移评估
  • 建议行动： 审稿参考，了解 v0.3 → v1.x 破坏性变更

3. 讲透 LangGraph：从状态图到 Agent 工程化

  • 链接： https://blog.csdn.net/xx_nm98/article/details/163086560
  • 发布时间： 2026
  • 核心价值： 深入讲解 state/reducer/conditional edge/Send/Runtime/checkpoint/interrupt 串联链路
  • 工程价值：⭐⭐⭐⭐⭐ — 源码级解析，同步路径五步法（messages → 校验 tool_calls → 解析 model → 调用 → 检查 remaining_steps）
  • 可复现性： 高，含完整代码框架
  • 建议行动： 精读，适合作为 LangGraph 内部机制的主题页素材

二、RAG 检索优化（高价值）

4. RAG 的检索链路优化演变过程

  • 链接： https://blog.csdn.net/ALArm_a/article/details/162880995
  • 发布时间： 2026-07-14
  • 核心观点： 检索链路的阶段性演进，从简单向量检索到混合检索、重排序、Context Engine
  • 工程价值：⭐⭐⭐⭐ — 实战经验总结，涉及 HNSW/IVF 向量索引调优思路
  • 建议行动： 精读，与下一条"企业 RAG 四级跃迁"互补

5. 企业 RAG 检索优化实战——从向量搜索到混合检索的四级跃迁

  • 链接： https://blog.csdn.net/AI_chenjj/article/details/163077174
  • 发布时间： 2026-07-21
  • 核心观点： L1 向量搜索 → L2 关键词混合 → L3 重排序 → L4 Agentic Retrieval 四级演进路径
  • 工程价值：⭐⭐⭐⭐⭐ — 企业级实战，含 RRF（Reciprocal Rank Fusion）融合排名、BM25+向量分数不可直接相加的排障经验
  • 可信度判断： 高——具体场景分析和数据支撑，非泛泛而谈
  • 建议行动： 精读，生产环境 RAG 检索架构设计的核心参考

6. RAG 优化大全：从基础到前沿

  • 链接： https://blog.csdn.net/vitaviva/article/details/160386138
  • 发布时间： 2026-04-22
  • 核心框架： 检索前优化 → 核心检索优化 → 检索后优化（重排序/上下文压缩/生成质量控制）
  • 工程价值：⭐⭐⭐⭐ — 系统性框架梳理，适合作为 RAG 优化清单
  • 建议行动： 主题页更新参考

7. RAG 检索增强生成实战：从 Demo 到生产环境的五个关键优化

  • 链接： https://blog.csdn.net/qq_56999332/article/details/161400644
  • 核心章节： 文档解析（80% 项目死在此步）、分块策略（语义切分+小大窗口）、检索陷阱、多轮对话工程方案、Prompt 缓存（2026 最大成本杠杆）
  • 工程价值：⭐⭐⭐⭐ — 实战排障经验，具体到失败场景
  • 建议行动： 审稿参考，生产 RAG 避坑指南

三、MCP 协议（高价值）

8. 2025 年最值得关注的 AI 协议：MCP 实战指南（Python）

  • 链接： https://blog.csdn.net/JIANqiao19931029/article/details/150273760
  • 发布时间： 2025-05（持续更新至 2026）
  • 环境版本： Python 3.11 / Ubuntu 22.04 / mcp==1.0.0b1（2025-08-12 beta）
  • 核心内容：
  • stdio 模式 5 分钟上手（filesystem server）
  • LangChain 0.3 原生 MCP 接入（langchain-mcp）
  • 常见报错排障表（Windows 路径/权限/LangChain ModuleNotFoundError）
  • 工程价值：⭐⭐⭐⭐⭐ — 可执行 Demo，代码完整，含踩坑记录
  • 建议行动： 精读，适合作为 MCP 入门基准教程

9. 打通大模型与外部世界：LangChain4j 实战 MCP（Java）

  • 链接： https://blog.csdn.net/JIANqiao19931029/article/details/150380671
  • 发布时间： 2025-12（最新推荐 2025-12-23）
  • 核心内容： HTTP/stdio 双模式、Docker 一键拉起 GitHub MCP Server（镜像仅 173MB）、McpToolProvider 源码解析
  • 工程价值：⭐⭐⭐⭐ — Java 生态，Spring AI/LangChain4j 双框架参考
  • 建议行动： Java 方向精读

10. 浅析 MCP 协议：概念、优势与实战应用

  • 链接： https://blog.csdn.net/pdsu_Zhe/article/details/146293801
  • 核心内容： weather.py（服务端）+ client.py（客户端）完整源码，async/await 模式
  • 工程价值：⭐⭐⭐⭐ — 源码级，有环境准备、.env 配置、完整代码
  • 建议行动： 精读，MCP 客户端/服务端完整实现参考

11. MCP + DeepSeek-V3-0324 搭建 mini Manus

  • 链接： https://blog.csdn.net/fufan_LLM/article/details/146919560
  • 核心内容： 源码级详解 MCP 协议与 DeepSeek 模型结合
  • 工程价值：⭐⭐⭐⭐ — 国内模型 + MCP 组合的稀缺实践
  • 建议行动： 审稿参考

四、Substack AI Research 洞察

S1. RAG Reimagined: 5 Breakthroughs You Should Know

  • 链接： https://gradientflow.substack.com/p/rag-reimagined-5-breakthroughs-you
  • 作者/机构： Gradient Flow（高可信度 AI 工程 newsletter）
  • 核心观点：
  • Block 开源 Goose（MCP 驱动的 AI Agent）工程架构：integrating LLMs with tools via MCP
  • 5 个 RAG 前沿突破方向（需进一步核验原论文）
  • 可信度判断： 高，来源专业，有具体开源项目引用
  • 建议行动： 核验论文：Block Goose GitHub / MCP 官方 spec

S2. AI without Illusions (1/20): The Generative AI Landscape in 2026

  • 链接： https://byernswi.substack.com/p/ai-without-illusions-120-the-generative
  • 核心观点：
  • "Agent" 术语从 2023→2025→2026 语义漂移分析（从研究术语到营销术语）
  • LLM 本质：token 概率分布 + 自回归采样
  • multimodal models / reasoning models 边界澄清
  • 可信度判断： 高，批判性分析，非营销内容
  • 建议行动： 精读，作为 AI 系统认知框架参考

S3. The AI/ML Engineer Interview Guide for 2026

  • 链接： https://thecuriousmak.substack.com/p/the-aiml-engineer-interview-guide
  • 核心框架：
  • Agent Engineer 考察点：tool use/orchestration/memory/planning/termination/permissions/guardrails/observability
  • Multimodal Engineer 考察点：VLM/image-text retrieval/document AI/audio/video/visual grounding/multimodal fine-tuning
  • 工程价值： 高，2026 AI 工程能力图谱，非学术视角
  • 建议行动： 作为 AI Engineer 技能树主题页参考

S4. What 300+ Engineers from Netflix, Amazon, and Instacart Asked About AI Engineering

  • 链接： https://hugobowne.substack.com/p/what-300-engineers-from-netflix-amazon
  • 核心概念区分：
  • Context Engineering = curating optimal tokens during LLM inference
  • Agent Harness = scaffolding that wraps LLM with tools/history/context
  • Agent = LLM with tools in an agentic loop；Workflow = predefined code paths
  • 可信度判断： 高，基于 300+ 工程师一手访谈数据
  • 建议行动： 精读，用于定义知识库中 Agent/Workflow/Harness 术语边界

五、分类标签

#LLM #Agent #LangGraph #LangChain #MCP #RAG #多模态 #MLOps
#向量数据库 #企业级RAG #生产环境 #源码分析 #版本追踪

六、建议写入路径

  • 本文草稿路径： /shared/research-kb/inbox/jay/2026-08-07-llm-agents-rag-mcp.md
  • 后续行动：
  • [ ] S1 核验 Block Goose MCP 开源实现与论文
  • [ ] LangGraph 状态机主题页（合并 #3 + #1）
  • [ ] RAG 检索优化主题页（合并 #4 + #5 + #6）
  • [ ] MCP 协议工程实践主题页（合并 #8 + #9 + #10）

七、本轮输出说明

本轮 未执行 GitHub 写入，仅产出草稿至 /shared/research-kb/inbox/jay/。 如需提交，请由串行同步任务执行 git commit / git push。