知识库草稿：Jay · CSDN 高价值检索 · 2026-08-11

主题

LangGraph v1.2.x 工程实践 · 微调框架选型 · Substack 技术洞察

一、CSDN 高价值条目

🔴 高价值（源码/版本/工程实践）

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: 2026-06-11（资料抓取时间）
• 作者/专栏: weixin_38805083
• 工程价值: ⭐⭐⭐⭐⭐
• 版本信息:
• LangGraph 1.2.4（2026-06-02，当前 stable）
• langgraph-prebuilt 1.1.0（2026-05-12）
• langchain-core 1.4.0
• A2A v1.0.1（2026-05-28，Linux Foundation 标准）
• langgraph-supervisor 0.0.31（2025-11-19）
• langgraph-swarm 0.1.0（2025-12-04）
• 核心内容摘要:
• LangGraph 1.0 → 1.2 完整里程碑表（alpha → GA 时间轴）
• interrupt() / Command(resume=...) API v1/v2 行为差异及 deprecated 警告
• HITL（Human-in-the-Loop）测试三步法：触发 interrupt → Command(resume=...) → 断言
• InMemorySaver 整图集成测试最佳实践（避免 checkpoint 串味）
• Replay 测试：thread_id + checkpoint_id 复跑历史 thread
• LLM-as-Judge 评测：openevals 的 CORRECTNESS_PROMPT / CONCISENESS_PROMPT
• @pytest.mark.langsmith 让普通 pytest 用例变成 LangSmith experiment
• set_node_defaults 新增 API（PR #7747，v1.2）
• durable error-handler across host crashes（PR #7773）
• v2 streaming 格式：GraphOutput / StreamPart / LangGraphDeprecatedSinceV11
• 可信度: 高——明确标注官方文档链接、PyPI 版本、GitHub PR 编号
• 后续行动: 精读；适合更新 LangGraph 主题页版本表

2. 企业级LLM Agent实战：从RAG到业务闭环

• 链接: https://blog.csdn.net/O_Errors_0_Warni/article/details/162780961
• 发布时间: 2025-2026
• 工程价值: ⭐⭐⭐⭐
• 核心内容摘要:
• Multi-Agent 矩阵工程逻辑：不同复杂度任务 → 不同能力层次 Agent
• Agent 架构 vs 传统 Web 架构（Django+MySQL）本质差异：概率性推理 vs 确定性逻辑
• 混合架构建议（Agent + 传统 Web 平滑过渡方案）
• RAG 增强、结构化输出解决幻觉问题
• 文心快码 Multi-Agent 案例
• 可信度: 中——摘要性文章，无版本号，需核验具体实现代码

3. 2026年微调框架大比拼：LLaMA-Factory、ms-swift、Unsloth等六款工具深度评测

• 链接: https://blog.csdn.net/2401_85375151/article/details/163040746
• 发布时间: 2026年
• 工程价值: ⭐⭐⭐⭐
• 核心内容摘要:
• 六大框架：LLaMA-Factory、ms-swift、Unsloth、Axolotl、TRL、TorchTune
• LLaMA-Factory：ACL 2024 论文，GitHub 6万+ stars，Amazon/NVIDIA/阿里云 已集成
• ms-swift：AAAI 2025 论文，支持 600+ 纯文本 + 400+ 多模态模型
• 定位/强项/短板完整对比
• 选型建议
• 可信度: 中高——引用顶会论文，但部分内容需扫码付费

4. 大模型微调技术完全指南（2026版）

• 链接: https://blog.csdn.net/huang9604/article/details/161566729
• 发布时间: 2026
• 工程价值: ⭐⭐⭐⭐
• 核心内容摘要:
• 对齐方法演进：RLHF → DPO(2模型) → SimPO(1模型) → KTO（越来越简单的流程）
• DeepSeek-R1（2025）：纯强化学习（GRPO + 结果奖励）激发推理链、自我检查
• LoRA 能恢复全量微调 90-95% 效果（2026 业界共识）
• Multi-LoRA 核心价值：一个基座模型 + 按请求动态加载 LoRA adapter
• 选型建议（2026.5 更新）：Qwen3.5-9B（首选）/ Qwen3.6（Agentic）/ DeepSeek-R1 蒸馏版（数学/代码推理性价比首选）
• 可信度: 高——系统性强，有版本对比

🟡 中等价值（趋势分析/学习路线）

5. LangGraph实战：MCP + SSE实现远程调用MCP Server

• 链接: https://blog.csdn.net/zg_hover/article/details/149724753
• 发布时间: 2025-07-28
• 工程价值: ⭐⭐⭐
• 技术栈: Ollama（本地大模型）+ FastMCP + LangGraph + SSE
• 可信度: 中——工程案例，但提取超时，未验证源码细节

6. 从零搭建个人科研Agent：混合模型策略与LangGraph核心

• 链接: https://blog.csdn.net/CSDN1515595030/article/details/160913638
• 发布时间: 2026-05-09
• 工程价值: ⭐⭐⭐
• 技术栈: LangGraph + Ollama (Qwen3-4B) + 小米（未知具体是什么）
• 可信度: 中——提取超时，需进一步验证

7. 2026年RAG技术全景演进：从基础检索到认知智能的七大核心范式

• 链接: https://cloud.tencent.com/developer/article/2695163（腾讯云开发者社区，非 CSDN）
• 工程价值: ⭐⭐⭐⭐
• 可信度: 高——七种 RAG 范式系统性梳理，含架构流程图描述

8. 2026年AI Agent与开源生态全景指南

• 链接: https://blog.csdn.net/guwentian/article/details/162757496
• 工程价值: ⭐⭐⭐
• 内容: 2025 年五大进展 + 2026 年开源生态预测 + Top 10 开源项目（OpenClaw、Ollama、DeepSeek、LangChain/LangGraph 等）

二、Substack 来源线索

1. Javarevisited · The 2026 AI Engineer Roadmap

• 链接: https://javarevisited.substack.com/p/the-2026-agentic-ai-engineer-roadmap
• 作者: Javin Paul & Paul Iusztin
• 核心观点:
• 完整 AI Engineer 学习路线图：从原始数据到 LLM Fine-tuning、RAG、LLMOps
• Second Brain AI Assistant 项目：agentic RAG + 端到端 AI 架构设计
• 工具清单：OpenAI、Hugging Face、MongoDB、ZenML、Opik、Comet、Unsloth
• 可信度: 中——技术路线图，非一手研究，适合入门参考
• 是否需核验: 低（内容偏综述）

2. System Design Newsletter（Neo Kim @systemdesignone）

• 链接: https://substack.com/@systemdesignone/note/c-275559246
• 核心观点（16 个 AI Engineering 核心概念清单）:
• LLM Evals、Knowledge Q&A System、AI Agent Workflow、MCP、RAG、AI Chat Assistant
• Vector Databases、Agentic Patterns、Multi-Agent Architecture、Context Engineering
• 注：包含 "How OpenClaw Works" 链接
• 可信度: 中——清单性质，每个主题有独立 newsletter 链接，需深度追踪
• 后续行动: 建议作为系统性学习路径参考，OpenClaw 工作原理值得了解

3. ByteByteGo · MCP vs RAG vs AI Agents

• 链接: https://substack.com/@bytebytego399569/note/p-187911204
• 核心观点:
• MCP = LLM 与外部系统的标准接口层（数据库、文件系统、GitHub、Slack、API）
• RAG = 检索增强生成，解决知识时效性和幻觉
• Agent = 自主规划 + 工具调用 + 多步推理
• Skill/Agent Skills = MCP 的上层封装
• 可信度: 高——清晰的概念边界定义，适合知识库概念页
• 是否需核验: 低

三、分类标签

• LangGraph, MCP, A2A, Agent, RAG, Fine-tuning, LoRA, QLoRA, LLM-ops, Ollama, LLaMA-Factory, ms-swift, Unsloth, vLLM, SGLang, ByteByteGo, Javarevisited

四、建议写入路径

• /shared/research-kb/inbox/jay/2026-08-11T1620-jay-csdn-langgraph-finetuning-substack-research.md

五、后续行动建议