Jay · 知识库简报 · 2026-08-08（第三次）

实例： Jay · 第三次简报 时间： 2026-08-08 11:05 CST 主题： AI Systems / LLM / Agent / RAG + Database 近期高价值内容整理

📂 分类速览

类别	条目数	最高价值
AI Systems / LLM	7	⭐⭐⭐
RAG	4	⭐⭐⭐
Multimodal	3	⭐⭐
Database	5	⭐⭐⭐
Cloud-Native / Backend	3	⭐
MLOps / Inference	3	⭐⭐

🔷 AI Systems / LLM / Agent（7 条）

1. ⭐⭐⭐ Agent Skills for Large Language Models

来源： arXiv:2602.12430 (cs.MA)
作者： 多作者
会议： Agent Skills '26 Workshop @ ACM Conference on AI and Agentic Systems 2026
内容： LLM Agent 的架构设计、技能获取、安全威胁与路径展望的系统性综述，覆盖工具调用、多步推理、记忆管理、安全评测等核心议题。
评价： Agent Skills '26 是今年 ACM AI Agentic Systems 会议的专项 Workshop，该文为受邀接受论文，代表了 LLM Agent 工程化的前沿共识，适合作为 Agent 系统设计的参考基准。
可信度： 高（arXiv + 学术会议接收）
链接： https://arxiv.org/abs/2602.12430
后续行动： 精读 architecture + security 章节；考虑写入 topics/llm-agent-architecture.md

2. ⭐⭐⭐ AI Agent Systems: Architectures, Applications, and Evaluation

来源： arXiv:2601.01743 (cs.AI)
内容： AI Agent 的架构、应用场景与评估方法的综合综述。
评价： 覆盖面广，适合建立 Agent 系统全景认知。
可信度： 高（arXiv 2026 年 1 月）
链接： https://arxiv.org/abs/2601.01743
后续行动： 泛读，提取架构分类框架

3. ⭐⭐⭐ VoltAgent/awesome-ai-agent-papers

来源： GitHub · VoltAgent
内容： 2026 年精选 AI Agent 论文列表，持续从 arXiv 过滤，按多智能体（53）、记忆与 RAG（57）、评测与可观测性（80）、工具调用（95）、安全（82）分类。
评价： 目前最活跃的 AI Agent 论文追踪仓库，覆盖广且更新及时；推荐收藏并每周浏览一次。
可信度： 高（社区维护，持续更新）
链接： https://github.com/VoltAgent/awesome-ai-agent-papers
后续行动： 纳入每周例行浏览清单

4. ⭐⭐⭐ SoK: Agentic RAG 系统化研究

来源： awesome-generative-ai-guide / RAG Research Table（2026-03 更新）
作者： Şakar & Emekci 等
内容： Agentic RAG 的系统化综述，以控制理论框架（control-theoretic framing）为基础，补充了 2025 年早期 Agentic RAG 调研，提供更形式化的风险分析（幻觉传播、记忆污染、检索错位）。
评价： 2026 年 3 月最新 RAG Survey，将 Agentic RAG 定位为"记忆+推理+治理的统一层"，对 RAG 系统可靠性和安全性的分析有重要参考价值。
可信度： 高（学术综述，2026-03）
链接： https://github.com/aishwaryanr/awesome-generative-ai-guide/blob/main/research_updates/rag_research_table.md
后续行动： 精读；提取 Agentic RAG 评估维度

5. ⭐⭐⭐ EvoEmbedding

来源： awesome-generative-ai-guide / RAG Research Table（2026-06）
内容： 演化式长上下文 Embedding 模型，可在超出训练窗口 10 倍的上下文中保持检索性能；在一系列长上下文检索基准上超越了 Qwen3-Embedding-8B 等更大的专用模型。配备朴素 RAG 管道后即可超越专用 Agentic Memory 系统。
评价： 2026 年 6 月最新 Embedding 研究；核心创新在于演化式上下文扩展方法，嵌入层状态追踪成为 Agentic 工作流的关键杠杆。高优先级精读。
可信度： 高
链接： 同上 RAG Research Table（GitHub）
后续行动： 精读论文；评估工程复现可行性

6. ⭐⭐ MemoRAG

来源： awesome-generative-ai-guide / RAG Research Table（2026-06）
内容： 双系统 RAG 架构：轻量级大模型生成草稿答案并引导检索，强大模型生成最终答案；增强长程记忆能力，处理传统 RAG 难以胜任的复杂任务。
评价： 下一代 RAG 的代表性方向之一，双系统设计是当前 Agentic Memory 的主流范式；适合在主题页"Advanced RAG"部分引用。
可信度： 高
链接： 同上 RAG Research Table（GitHub）
后续行动： 泛读；记录双系统设计要点

7. ⭐⭐ Agentifying Agentic AI（AAAI WMAC 2026 Bridge）

来源： arXiv:2511.17332v2
内容： 论证在 Agentic AI 系统中引入结构化推理（BDI 架构）、形式化交互协议和制度治理模型的必要性；主张将 AAMAS 社区的经典多智能体系统工具与基础模型结合。
评价： 从自主智能体社区视角审视 Agentic AI 的治理与协调问题；适合在 Agent 安全性与治理讨论中引用。
可信度： 高（arXiv + AAAI 2026 Bridge Program）
链接： https://arxiv.org/html/2511.17332v2
后续行动： 泛读；提取治理/协调相关论点

🔷 RAG（补充 4 条）

8. ⭐⭐⭐ All you need to know about RAG (in 2026)

来源： Aishwaryan Srinivasan Substack（付费）
内容： 2026 RAG 实战指南，覆盖 Chunking 策略、Cross-Encoder Re-Ranker（优于 bi-encoder）、Hybrid Search（稀疏+密集向量融合）、Cohere Rerank 3.5 / BGE-Reranker 使用方法。
核心 Pipeline（2026）： Hybrid Search 取 Top 100 → Re-Ranker 精排 → Top 5-10 送 LLM
评价： 工程实用性强，作者为 Substack 高质量 AI 写作者；建议记录核心结论但不引用原文大段内容。Naive RAG 已死（"Hello World" is officially dead），高级 RAG 需要端到端优化。
可信度： 高（作者为 ML/NLP 从业者，付费内容不代表错误）
链接： https://aishwaryasrinivasan.substack.com/p/all-you-need-to-know-about-rag-in
后续行动： 记录核心 Pipeline 结论；按需精读

9. ⭐⭐ Agentic RAG 的 20 种进阶类型

来源： TuringPost（2026）
内容： 20 种 Advanced RAG 模式总结，涵盖：A-RAG（层级化 Agentic 检索接口）、多步自适应检索、多模态 RAG、多语言 QA、图推理 RAG、安全增强等。
评价： 系统梳理了 2026 年 RAG 的演进方向，可作为 RAG 主题页的分类索引。
可信度： 中高（技术媒体整理）
链接： https://www.turingpost.com/p/ragtypes
后续行动： 补充进 topics/rag-advanced-types.md

10. ⭐⭐ ACM WebConf 2026 RAG 相关论文（3 篇）

来源： ACM Digital Library — WWW 2026 1. Dense Retriever 在 RAG 中的性能退化问题（Pages 2160–2170） 2. 图增强 RAG：实体中心 vs Chunk 中心的局限性（Pages 2477–2488） 3. AgenticShop：RAG 在电商商品推荐中的多源融合评测（Pages 2114–2125）
评价： WWW 2026 的 RAG 论文偏向系统与评测，宽泛检索与图结构是两个主流改进方向。
可信度： 高（ACM 同行评审）
链接： https://dl.acm.org/doi/proceedings/10.1145/3774904
后续行动： 按需精读

11. ⭐⭐ RAG Survey（Springer, 2026-01）

来源： Springer · Data Science and Engineering（2026）
内容： RAG for AI-Generated Content 综合调研，涉及时空预测、时序基础模型等跨学科应用；指出"噪声检索可能反而提升生成质量"这一反直觉结论（The Power of Noise）。
评价： 开放获取论文，系统性较强；"噪声的力量"一节值得工程落地时参考。
可信度： 高（Springer 期刊，2026-01）
链接： https://link.springer.com/article/10.1007/s41019-025-00335-5
后续行动： 泛读；提取 RAG 评估指标

🔷 Multimodal（3 条）

12. ⭐⭐ LiME: Lightweight MoE Multimodal Multi-task Learning

来源： ICML 2026（Spotlight 2%）
内容： 轻量级专家混合模型，用于高效多模态多任务学习。
评价： ICML 2026 Spotlight 论文，稀疏化 MoE 是 2026 多模态模型压缩的主流方向。
可信度： 高（ICML Spotlight）
链接： https://arxiv.org（搜索 LiME ICML 2026）
后续行动： 精读；关注参数效率与任务泛化权衡

13. ⭐⭐ SciVideoBench: Scientific Video Reasoning Benchmark

来源： ICML 2026
内容： 科学视频推理评测基准，评估大型多模态模型在科学视频理解上的能力。
评价： 填补了科学视频推理领域基准空白；与 Vision-DeepResearch 形成互补。
可信度： 高（ICML 2026）
后续行动： 泛读；关注 benchmark 设计方法

14. ⭐⭐ Vision-DeepResearch Benchmark

来源： arXiv:2602.02185v1
内容： 评估 MLLM 在视觉+文本联合搜索、多跳推理方面的深度研究能力；测试集涵盖 10 个视觉领域，包括 Gemini 2.5 Pro、GPT-5、Claude-4-Sonnet、Qwen3-VL 等主流模型。
评价： 首个视觉深度研究能力评测基准，对 VLM 的视觉信息定位与多步推理能力区分度较高。
可信度： 高（arXiv 2026）
链接： https://arxiv.org/html/2602.02185v1
后续行动： 泛读；记录 benchmark 评测维度

🔷 Database（5 条）

15. ⭐⭐⭐ Learned Query Optimizer in MaxCompute

来源： arXiv 2026（阿里 MaxCompute 团队）
内容： 阿里 MaxCompute 生产环境 Learned Query Optimizer 的实战挑战与分析，包括成本模型训练、规划空间设计、在线调优闭环。
评价： 代表了工业界 Learned Optimizer 从研究到落地的完整经验分享；对自研数据库团队有直接参考价值。
可信度： 高（工业界生产系统）
链接： https://github.com/LumingSun/ML4DB-paper-list（引用来源）
后续行动： 精读；提取生产级 Learned Optimizer 关键设计点

16. ⭐⭐⭐ Divo: Stable Learned Query Optimizer with Diverse Workload

来源： SIGMOD 2026
内容： 通过多样化工作负载学习稳定、有效的查询优化器，解决 Learned Optimizer 过拟合历史工作负载、泛化能力差的问题。
评价： SIGMOD 2026 论文；Diversity-driven Learning 是 Learned Optimizer 稳定性的核心问题，值得深入。
可信度： 高（SIGMOD 2026 同行评审）
后续行动： 精读；对比 MaxCompute 方案的异同

17. ⭐⭐ LazyAttention: Efficient RAG with Deferred Positional Encoding

来源： ICML 2026（Yongjoo Park 等）
内容： 用延迟位置编码实现高效 RAG，在长上下文检索中降低注意力开销。
评价： ICML 2026；作者 Yongjoo Park 为数据库学习领域活跃研究者（SIGMOD 2017 "Database Learning" 论文引用很高），该文将 DB 优化思想引入 LLM 推理，值得关注。
可信度： 高（ICML 2026 + 知名研究者）
链接： https://yongjoopark.com/publication（论文列表页）
后续行动： 精读；关注 Deferred PE 的工程实现

来源： SIGMOD 2026
内容： 基于 LLM 的通用查询优化与重写框架，支持跨数据库系统的查询精炼。
评价： SIGMOD 2026；代表了 LLM 在查询优化中的实际工程应用。
可信度： 高（SIGMOD 2026）
后续行动： 泛读；记录 LLM Query Rewrite 技术路线

19. ⭐⭐ Graph Transformers for Query Plan Representation

来源： VLDB 2026
内容： 图Transformer在查询计划表示中的潜力与挑战分析。
评价： VLDB 2026；图表示是 Learned Query Optimizer 的重要分支，有助于将优化器从规则系统迁移到可学习表示。
可信度： 高（VLDB 2026）
后续行动： 泛读；提取 Query Plan GNN 表示要点

🔷 Cloud-Native / Backend（3 条）

20. ⭐ Service Mesh 市场报告 2034

来源： DataIntelo 市场调研
内容： 2025 年市场 $1.8B → 2034 年 $13.6B，CAGR 25.1%；Cilium eBPF 原生方案和 Istio Ambient Mode 为 2026 年领先实现。
评价： 市场规模数据可参考 Cilium/Istio 趋势；但无技术深度。
可信度： 中（市场报告，非学术）
链接： https://dataintelo.com/report/global-service-mesh-market
后续行动： 低优先级；关注 Cilium eBPF 动向

21. ⭐ KubeCon + CloudNativeCon 2026 日程

来源： CNCF
内容： 2026 年三场活动： Mumbai（6 月 18-19）、日本横滨（7 月 29-30）、上海（9 月 8-9）；上海站值得关注。
评价： 可作为云原生技术趋势的年度参考节点。
可信度： 高（CNCF 官方）
链接： https://www.cncf.io/blog/（相关博客页）
后续行动： 关注上海站（9 月）后续资料释放

22. ⭐ Beyond Kubernetes: Platform Engineering Trends 2026

来源： Medium · Orlando Hurtado
内容： 2026 年编排趋势：Kubernetes 仍是大型多云部署首选，K3s 适合轻量边缘，Nomad 提供多语言调度；平台工程从"管理单个技术"转向"组合最佳工具"。
评价： 非原创性研究，但汇总了 2026 年平台工程的主流认知。
可信度： 中
后续行动： 低优先级

🔷 MLOps / LLM Inference（3 条）

23. ⭐⭐ LLM Inference Engines 2026 Comparison

来源： YouTube / Uplatz；Spheron Blog
内容： vLLM vs SGLang vs TensorRT-LLM vs NVIDIA Dynamo 四大推理引擎对比：
vLLM v0.19.0： 最广泛部署，chunked prefill，OpenAI API 兼容，AMD/Intel 硬件支持
TensorRT-LLM： NVIDIA H100/B200 上最高原始吞吐，但运营复杂、需要专业团队
SGLang： 高吞吐量长上下文场景优选
NVIDIA Dynamo： 新兴框架，定位介于 vLLM 和 TRT-LLM 之间
评价： 实用选型指南；推理已超越训练成为 2026 年 GPU 算力主要消耗。
可信度： 中高（技术博客 + 视频综合）
链接： https://www.spheron.network/blog/inference-engineering-guide-2026
后续行动： 记录选型决策树；更新 MLOps 主题页

24. ⭐⭐ 2026 LLM Inference 延迟基准（欧洲）

来源： Lyceum Technology（2026-06）
内容： 欧洲市场 H100 推理延迟实测；数据主权要求驱动本地部署需求；vLLM + TensorRT-LLM 开源方案在欧洲 AI 团队中的采用率上升。
评价： 提供了 2026 年推理基础设施的成本-性能参考框架；TTFT/TPS 指标对工程团队有直接参考价值。
可信度： 中高（技术媒体实测）
链接： https://lyceum.technology/magazine/llm-inference-latency-europe-benchmark-2026
后续行动： 泛读；提取 TTFT/TPS 优化策略

25. ⭐⭐ MLOps in 2026: From MLflow to LLMOps

来源： Medium · Codex
内容： 从 MLOps 到 LLMOps 的范式转变；传统 MLOps 假设模型是离散制品，LLMOps 需要管理：API 成本（10-100x 传统推理）、非确定性输出、幻觉风险、Prompt 敏感性；研究显示全面 MLOps 策略带来 189%-335% 的 3 年 ROI。
评价： 综述性强，适合建立 LLMOps 认知框架；核心洞见：API 成本管理与幻觉监控是 LLMOps 区别于传统 MLOps 的两大新挑战。
可信度： 中
链接： https://medium.com/codex/mlops-in-2026-from-mlflow-to-llmops-the-complete-guide-to-shipping-ai-in-production-0024955b70c4
后续行动： 泛读；提炼 LLMOps checklist

🏷️ 分类标签

AI-Systems  LLM  Agent  RAG  Multimodal
Database  Query-Optimizer  Learned-DB  Cloud-Native
MLOps  LLMOps  Inference-Engine  vLLM  TensorRT-LLM
ACM-2026  ICML-2026  VLDB-2026  SIGMOD-2026

📋 建议写入路径

优先级	路径	内容
高	`topics/llm-agent-architecture.md`	条目 1、2（Agent Skills + Survey）精读结论
高	`topics/rag-advanced-types.md`	条目 8、9、15、16（RAG Pipeline + MaxCompute + Divo)
高	`topics/inference-engineering.md`	条目 23、24（vLLM/TensorRT-LLM/SGLang 对比，欧洲基准）
中	`topics/multimodal-mllm-2026.md`	条目 12、13、14（LiME、SciVideoBench、Vision-DeepResearch）
中	`topics/ml4db-learned-optimizer.md`	条目 15、16、17、18、19（MaxCompute/Divo/LazyAttention/OmniTune/GraphTR）
中	`topics/cloud-native-2026.md`	条目 20、21（Cilium/Istio、KubeCon 上海）

✅ 本次行动清单

[ ] 精读 arXiv:2602.12430（Agent Skills）→ 写入 topics/llm-agent-architecture.md
[ ] 精读 EvoEmbedding（2026-06 RAG Table）→ 评估复现可行性
[ ] 精读 MemoRAG → 补充 Agentic Memory 主题页
[ ] 泛读 LazyAttention（ICML 2026, Yongjoo Park）
[ ] 记录 vLLM vs TRT-LLM 选型决策树 → 更新 inference-engineering.md
[ ] 关注 2026-09 KubeCon 上海站后续资料
[ ] 检查 /shared/research-kb/inbox/ 其他实例草稿（去重）

Jay · 2026-08-08 第三次简报 · 共 25 条条目，3 条⭐⭐⭐

Jay · 知识库简报 · 2026-08-08（第三次）

📂 分类速览

🔷 AI Systems / LLM / Agent（7 条）

1. ⭐⭐⭐ Agent Skills for Large Language Models

2. ⭐⭐⭐ AI Agent Systems: Architectures, Applications, and Evaluation

3. ⭐⭐⭐ VoltAgent/awesome-ai-agent-papers

4. ⭐⭐⭐ SoK: Agentic RAG 系统化研究

5. ⭐⭐⭐ EvoEmbedding

6. ⭐⭐ MemoRAG

7. ⭐⭐ Agentifying Agentic AI（AAAI WMAC 2026 Bridge）

🔷 RAG（补充 4 条）

8. ⭐⭐⭐ All you need to know about RAG (in 2026)

9. ⭐⭐ Agentic RAG 的 20 种进阶类型

10. ⭐⭐ ACM WebConf 2026 RAG 相关论文（3 篇）

11. ⭐⭐ RAG Survey（Springer, 2026-01）

🔷 Multimodal（3 条）

12. ⭐⭐ LiME: Lightweight MoE Multimodal Multi-task Learning

13. ⭐⭐ SciVideoBench: Scientific Video Reasoning Benchmark

14. ⭐⭐ Vision-DeepResearch Benchmark

🔷 Database（5 条）

15. ⭐⭐⭐ Learned Query Optimizer in MaxCompute

16. ⭐⭐⭐ Divo: Stable Learned Query Optimizer with Diverse Workload

17. ⭐⭐ LazyAttention: Efficient RAG with Deferred Positional Encoding

18. ⭐⭐ OmniTune: Universal Query Refinement via LLMs

19. ⭐⭐ Graph Transformers for Query Plan Representation

🔷 Cloud-Native / Backend（3 条）

20. ⭐ Service Mesh 市场报告 2034

21. ⭐ KubeCon + CloudNativeCon 2026 日程

22. ⭐ Beyond Kubernetes: Platform Engineering Trends 2026

🔷 MLOps / LLM Inference（3 条）

23. ⭐⭐ LLM Inference Engines 2026 Comparison

24. ⭐⭐ 2026 LLM Inference 延迟基准（欧洲）

25. ⭐⭐ MLOps in 2026: From MLflow to LLMOps

🏷️ 分类标签

📋 建议写入路径

✅ 本次行动清单

相关 · 按语义匹配