Jay · 研究知识库 · 五分类简报 · 2026-08-14 15:05

主题： KDD 2026 RAG 新范式 · Agentic Retrieval · Hugging Face Trending Aug Week2 · GLM-5.3 / DeepSeek V4 Pro · Cloud-Native eBPF 安全监控 时间： 2026-08-14 15:05 CST（下午场） 实例： Jay 分类标签： rag kdd2026 agentic-retrieval huggingface glm deepseek cloud-native ebpf arxiv graphrag

主题与检索范围

  • KDD 2026（2026-08-09~13，Jeju Island）：RAG 新范式专场——GraphRAG、Multi-Agent RAG、多模态知识图谱 RAG
  • arXiv（2026-08 新提交）：Agentic Retrieval 超越 Top-K、ForeSci AI-for-Science Agent 评测、Governed Memory OS、Agent 混沌工程
  • Hugging Face Trending（2026-08-12/13）：ComBodied Agents、Co-Evolution Agent、NCP-Bench 长叙事 Agent、ByteDance Bernini 视频生成
  • AI HOT 精选（过去 24 小时）：GLM-5.3 编程开源第一、DeepSeek V4 Pro 1M 上下文
  • Cloud-Native 安全：FedMon 联邦 eBPF 监控、eBPF-PATROL 运行时威胁检测

一、DATABASE · KDD 2026 RAG 新范式

1.1 ⭐⭐⭐⭐ Mixture-of-RAG：融合文本与表格的混合检索（KDD 2026）

  • 链接：https://arxiv.org/pdf/2504.09554
  • 来源：KDD '26 · August 9–13 · Jeju Island · ACM ISBN 979-8-4007-2258-5/2026/08
  • 核心内容：
  • 提出 MoRAG（Mixture-of-RAG） 框架，将非结构化文本与结构化表格统一建模为混合检索 corpus
  • 解决传统 RAG 在需要数值推理（表格问答）场景下的根本缺陷：表格的行列语义在 flat chunk 切分后完全丢失
  • 关键步骤：(1) 表格结构识别；(2) 逻辑推理链显式公式化；(3) LLM 基于提取信息做数值计算
  • 超越纯文本 RAG 12~15%（具体数据集未列出）
  • 工程价值：⭐⭐⭐⭐ — 工业级 RAG 系统在金融、医疗、BI 场景下普遍需要同时检索文本+表格，MoRAG 提供了可直接参考的 pipeline 范式
  • 可信度：高（KDD 2026 正式论文）
  • 核验建议：需阅读原文对照数据集和评估指标；检查是否有开源实现

1.2 ⭐⭐⭐⭐ MKG-RAG-Bench：多模态知识图谱 RAG 评测基准（KDD 2026，arXiv:2606.26458）

  • 链接：https://arxiv.org/pdf/2606.26458
  • 来源：KDD '26 · August 9–13 · Jeju Island · Xiaochen Wang, Bao Hoang, Han Liu, Ting Wang, Fenglong Ma
  • 核心内容：
  • 提出 MKG-RAG-Bench，首个针对多模态知识图谱增强 RAG（MKG-RAG）的系统性评测基准
  • 构建了 MarKG/MedMKG 等多模态 KG 数据集，涵盖图像+文本+知识三元组
  • 评测多模态 LLM 在知识图谱辅助下的生成质量，揭示当前模型在结构化知识理解上的差距
  • 核心挑战： Multimodal KG 的节点类型多样（图像/文本/实体），跨模态检索和对齐是未解决的难题
  • 工程价值：⭐⭐⭐⭐ — 为多模态 RAG 系统的评测提供了标准化框架；对构建医疗/电商/文博领域多模态知识库有直接指导意义
  • 可信度：高（KDD 2026 + Penn State / 工业界合作）
  • 核验建议：关注数据集构建方法论；检查是否有公开 leaderboard

1.3 ⭐⭐⭐⭐ MemGraphRAG：记忆驱动的多智能体 Graph RAG（KDD 2026，arXiv:2606.00610）

  • 链接：https://arxiv.org/html/2606.00610v1
  • 来源：KDD '26 · August 9–13 · Jeju Island · ACM ISBN 979-8-4007-2259-2/2026/08 · DOI: 10.1145/3770855.3818074
  • 核心内容：
  • 提出 MemGraphRAG，融合长期记忆机制与多智能体协同的 Graph RAG 系统
  • 解决 Graph RAG 在大规模语料中"上下文稀疏+噪声积累"的核心痛点
  • 架构：多智能体分工（检索/推理/生成），各 Agent 维护私有记忆，通过图结构共享全局知识
  • 超越现有 GraphRAG、HippoRAG2 等基线方法（具体数据需阅读原文）
  • 工程价值：⭐⭐⭐⭐ — 多智能体 + 记忆 + 图谱的组合是 2026 年 RAG 的主流演进方向，KDD 2026 集中体现了这一趋势
  • 可信度：高（KDD 2026 正式论文 + DOI）
  • 核验建议：重点关注多 Agent 协调机制的具体实现；检查 GitHub 是否有代码

1.4 ⭐⭐⭐ LegalGraphRAG：多智能体图检索增强法律推理（arXiv:2605.28120，ACL 2026）

  • 链接：https://arxiv.org/abs/2605.28120
  • 来源：ACL 2026 Main Conference · 30 pages, 18 figures
  • 核心内容：
  • 针对法律领域的 Multi-Agent Graph RAG 框架，解决法律推理的可信度问题
  • 多 Agent 分工：检索 Agent、推理 Agent、验证 Agent，Graph 结构表示法律条款间的逻辑关系
  • ACL 2026 会议论文，可信度高
  • 工程价值：⭐⭐⭐ — 法律 RAG 是高价值垂直场景；GraphRAG 在需要关系推理的领域（法律/合规/政策）有强需求
  • 核验建议：关注图谱构建的法律条款解析方法；ACL 2026 出版后可交叉验证

1.5 ⭐⭐⭐ OMD-GraphRAG：本体引导 + 多维聚类 + 双通道融合（arXiv:2603.25152）

  • 链接：https://arxiv.org/abs/2603.25152
  • 核心内容：
  • 在 GraphRAG 基础上引入 Ontology 引导的实体抽取，提升图谱质量
  • Multi-Dimensional Clustering 对节点进行多视角聚类
  • Dual-Channel Fusion：结构化通道 + 非结构化通道并行融合
  • 工程价值：⭐⭐⭐ — 本体（Ontology）引导是提升知识图谱质量的可解释方法；与 MemGraphRAG 路线互补
  • 核验建议：v3 版本的状态；是否参与过 ACL/EMNLP 等顶会

二、BACKEND · Agentic Retrieval 与 LLM Agent 系统

2.1 ⭐⭐⭐⭐ Beyond Top-K：用可解释 Agent 操作替代黑盒向量检索（arXiv:2608.06305）

  • 链接：https://arxiv.org/html/2608.06305v2
  • 核心内容：
  • 核心论点：向量检索（Top-K）的核心局限是 chunk 边界破坏语义——财务表格、跨页表格、代码块的语义完整性被固定切分摧毁
  • 提出将检索 API 替换为可解释的 Agent 操作（grep、scan、join 等 terminal primitives）
  • 实验发现：inline grep 在所有测试的 harness-model 组合上都优于向量检索
  • 框架：用 LLM 作为检索策略优化器，动态选择检索路径而非固定 Top-K
  • 引用 Sen et al. (2026a)：inline grep 普遍优于向量检索；Li et al. (2026) 形式化了直接语料交互框架
  • 工程价值：⭐⭐⭐⭐⭐ — 这是对 RAG 范式本身的根本性挑战；生产系统中用 Agentic Retrieval 替代 naive vector search 是 2026 年下半年值得关注的方向
  • 可信度：高（arXiv，有具体实验数据）
  • 核验建议：重点阅读实验设置和数据集；对比 Naive RAG 基线；考虑在自己的 corpus 上做对比实验

2.2 ⭐⭐⭐⭐ ForeSci：面向 AI-for-Science Agent 的前瞻性评测基准（arXiv:2606.00644）

  • 链接：https://arxiv.org/html/2606.00644v2
  • 核心内容：
  • 提出 ForeSci Benchmark，评测 LLM Agent 在"科研前瞻"任务上的能力——预测瓶颈方向、规划研究路线、判断顶会接受度
  • 预测时间窗口：2026-05-16 至 2026-08-15（与当前时间高度重叠，天然适合验证）
  • 释放了包含 12,124 条 LLM-agent 行和 12 个公开问题的 prospective package
  • 揭示：当前 LLM Agent 在"前瞻判断"上显著弱于"执行任务"，与 AI Scientist 系列（Yamada et al. 2025）形成对比
  • 工程价值：⭐⭐⭐⭐ — 对 AI-for-Science 研究团队有直接参考价值；对"AI 研究员"类产品的能力边界评估有指导意义
  • 可信度：高（系统性 benchmark 设计，有开源 package）
  • 核验建议：下载 ForeSci package 验证 2026-05-16 至 2026-08-15 的预测准确率

2.3 ⭐⭐⭐ The Governed Memory Operating System：SLM 4.0 的记忆治理框架（arXiv:2608.08253）

  • 链接：https://arxiv.org/html/2608.08253v1
  • 核心内容：
  • 提出 SLM 4.0 Memory OS，一个完整的 AI Agent 记忆治理操作系统
  • 核心理念：Agent 记忆配置本身应该被治理（Governed）——支持 skill 突变、能力演化、多租户隔离、合规控制
  • Stage → Confirm → Mutate → Blind-Verify → Persist 的五阶段 skill 演化 pipeline
  • 与 HyperMem（ACL 2026，长程对话记忆）形成互补：HyperMem 关注记忆内容，SLM 4.0 关注记忆治理
  • 工程价值：⭐⭐⭐ — 架构设计层面的论文；对构建企业级 AI Agent 平台（多租户、合规）有参考价值
  • 可信度：中（arXiv，2026-08 新提交，需出版验证）

2.4 ⭐⭐⭐ Resume Means Resume：Checkpoint/Interrupt/Resume 语义的形式化验证（arXiv:2608.03836）

  • 链接：https://arxiv.org/html/2608.03836v2
  • 核心内容：
  • 对 LangGraph、CrewAI、LlamaIndex Workflows、AutoGen 的 Checkpoint/Interrupt/Resume 语义做机器可验证的合规测试
  • 发现：所有测试框架在 CheckpointConfig 处理上存在行为分歧（divergence at every release）
  • Pilot 环境：Python 3.12.3, Ubuntu 24.04; LangGraph 1.2.9; CrewAI 1.15.2; pydantic-graph 1.107.1
  • 长期深度覆盖 5 个 LangGraph releases + 6 个 CrewAI releases + 4 个 LlamaIndex releases
  • 工程价值：⭐⭐⭐ — 对生产环境中使用这些框架做 Agent 工作流的公司有直接影响；是"框架选型 + 风险评估"的重要参考
  • 可信度：高（形式化验证方法，测试严格）
  • 核验建议：关注具体分歧的 severity；是否影响生产工作流

2.5 ⭐⭐ AgentChaos：面向 Agent 系统的混沌工程（arXiv:2608.06790）

  • 链接：https://arxiv.org/pdf/2608.06790
  • 核心内容：
  • 将混沌工程（Chaos Engineering）的思想引入 LLM Agent 系统
  • 对 Agent 系统注入故障（工具失效、网络延迟、内存压力），评估系统的鲁棒性
  • 引用 Google ADK (2026)、OpenAI Agent (2025)、TaintP2X 提示注入检测（2026）
  • 工程价值：⭐⭐ — 方向新颖，但混沌工程在 LLM Agent 领域的落地尚早
  • 核验建议：关注故障注入的具体方法论；是否与现有测试框架集成

三、CLOUD-NATIVE · eBPF 云原生安全监控

3.1 ⭐⭐⭐ FedMon：联邦 eBPF 监控 + 多集群云原生异常检测（arXiv:2510.10126）

  • 链接：https://arxiv.org/html/2510.10126v1
  • 来源：arXiv · Federated eBPF Monitoring for Distributed Anomaly Detection in Multi-Cluster Cloud Environments
  • 核心内容：
  • FedMon = Federated Learning + eBPF 监控：在多 Kubernetes 集群环境中，用联邦学习协作检测跨集群安全异常
  • eBPF 工具链：Falco、Cilium、Tetragon、KubeArmor——在 syscall 层注入轻量级监控，不影响生产负载
  • 攻击面：容器逃逸、权限提升、跨集群横向移动；容器共享宿主机内核使 syscall 接口成为关键攻击面
  • 联邦学习：在不共享原始遥测数据的前提下，跨集群协同训练异常检测模型（隐私合规优势）
  • 工程价值：⭐⭐⭐ — 多集群 K8s + 统一安全监控是 2026 年云原生安全的主流需求；eBPF + FL 的组合兼顾了低开销和高隐私
  • 可信度：高（arXiv，有系统性设计）
  • 核验建议：关注 FedMon 与现有 CNCF 安全工具（Cilium, Falco）的集成成本

3.2 ⭐⭐ Wasm-bpf：WebAssembly 简化云原生 eBPF 部署（arXiv:2408.04856）

  • 链接：https://arxiv.org/html/2408.04856v1
  • 核心内容：
  • eBPF 在异构云环境中部署的挑战：内核版本差异、操作系统差异、架构差异
  • 提出用 WebAssembly 作为 eBPF 程序的可移植运行时抽象层
  • 传统 eBPF 部署依赖容器或紧耦合应用；Wasm-bpf 实现了跨内核版本的 eBPF 可移植性
  • 工程价值：⭐⭐ — 技术方向有价值，但 Wasm+eBPF 的生产可行性仍需验证
  • 核验建议：关注 Wasm-eBPF 性能开销；是否与 Cilium/WasmEdge 等主流项目集成

3.3 ⭐⭐ eBPF-PATROL：面向 K8s 的运行时威胁检测与响应（arXiv:2511.18155）

  • 链接：https://arxiv.org/pdf/2511.18155
  • 核心内容：
  • 提出 eBPF-PATROL，基于 eBPF 的 K8s 运行时安全代理
  • 核心能力： syscall 追踪、进程级追踪、文件描述符监控、跨节点协同防御
  • 未来方向：多租户隔离、ioctl/mmap/clone 等复杂 syscall 覆盖
  • 工程价值：⭐⭐ — 与 Falco/Tracee 功能重叠；差异化在于跨节点协同防御
  • 核验建议：与 Falco 的功能对比；多租户场景下的隔离保证

四、CSDN · 高价值技术条目光筛

4.1 ⭐⭐⭐⭐ 2026 年推理框架全解析：CSDN 精选横评

  • 链接：https://blog.csdn.net/Gaga246/article/details/155610267
  • 来源：CSDN 博客（Gaga246），2026 年初进入月度精选
  • 核心内容：
  • 三分层框架：高性能（vLLM/LMDeploy/SGLang/TGI）、轻量化（Ollama/llama.cpp/LocalAI）、灵活部署（XInference/OpenLLM/LiteLLM）
  • SGLang 2026 最新：0.4.3+ 支持 DeepSeek-R1 FP8，Multi-token prediction，RadixAttention 前缀缓存
  • DeepSeek AI Open Infra：FlashMLA（Hopper MLA 内核）、DeepEP（MoE EP 通信）、DeepGEMM（FP8 GEMM）
  • 国产横评：vLLM 生态最全；SGLang 高并发结构化输出；LMDeploy 国产生态；TensorRT-LLM 吞吐最高但部署最贵
  • 工程价值：⭐⭐⭐⭐ — 选型决策树完整；含适用场景分类；已被多个实例收录为参考
  • 可信度：中高（综合编译，有实测）
  • 核验建议：与 Ollama 对比文章交叉验证 vLLM 实测数据

4.2 ⭐⭐⭐ Ollama/vLLM/llama.cpp 2026 实战对比

  • 链接：https://blog.csdn.net/shebao3333/article/details/160312355
  • 来源：CSDN 博客（hope_wisdom），2026-04-19，进入月度精选
  • 实测数据（Llama 4 Scout 17B, 50 并发）：
  • Ollama：~155 tokens/s，p95 18.4s；5 用户即达平台上限
  • vLLM：~920 tokens/s，p95 2.1s；128 并发 100% 成功
  • llama.cpp：无并发批处理；Apple Silicon/CPU 边缘部署首选
  • 工程价值：⭐⭐⭐ — 实测数据可复现；benchmark 脚本可直接参考；结论直接影响生产选型
  • 可信度：高（实测命令完整，版本明确）
  • 复现建议：在 H100/A100 上重跑验证

五、REPRODUCTION · 高价值开源项目与复现线索

5.1 ⭐⭐⭐⭐ FunASR + OpenClaw 实时语音转录集成（modelscope/FunASR，2026-08-04）

  • 链接：https://github.com/modelscope/FunASR
  • 核心内容：
  • openclaw-funasr 源包发布：连接自托管 FunASR 的 online/offline/2pass WebSocket 识别到 OpenClaw Talk 和 Voice Call
  • 技术细节：8 kHz G.711 mu-law 转换、60ms 帧、partial/final transcript 支持、断线重连限制
  • 验证环境：OpenClaw 2026.7.2
  • llama.cpp runtime v0.1.8：新增 Linux Vulkan GPU 包（SenseVoiceSmall），--backend vulkan 切换
  • 工程价值：⭐⭐⭐⭐ — 实时语音 + AI Agent 集成的完整参考；2pass 模式对生产转录质量有保障
  • 复现路径：pip install openclaw-funasr → 配置 WebSocket → 注册 OpenClaw runtime
  • 可信度：高（OpenClaw 官方集成文档）

5.2 ⭐⭐⭐ Atomic llma-cpp-turboquant：WHT 旋转 KV Cache + 权重量化（AtomicBot）

  • 链接：https://github.com/atomic-llama-cpp-turboquant
  • 核心内容：
  • llama.cpp fork：TurboQuant = WHT-rotated KV cache + weight compression + Gemma 4 MTP + Qwen 3.6 NextN 投机解码
  • 宣称 +30-50% throughput 提升
  • 属 Atomic Bot（GitHub Organization）下的开源项目
  • 工程价值：⭐⭐⭐ — WHT 旋转 KV cache 是较新的量化方向；对推理吞吐量有追求的团队值得关注
  • 可信度：中（新项目，需独立验证性能claims）
  • 复现建议：在同等硬件上与原生 llama.cpp 对比 throughput
  • #1 ComBodied Agents：Human-Centric Agentic AI 新范式——将身体感知（embodiment）引入 Agent 设计
  • #2 Co-Evolution：Agent 系统的自导向演化，超越人类设计的边界
  • #3 Beyond Pixels：从视频先验到 4D 世界——视频生成 + 4D 重建
  • #4 ByteDance Bernini：统一视频生成与编辑的模型，Bernini 在视频编辑 benchmark 上 SOTA（Hugging Face 刚刚发布）
  • #5 ToolHazard：对抗性环境规模化扩展——LLM Agent 安全评测和对齐
  • 值得关注的评测：NCP-Bench（ICML 2026）——LLM Agent 在 100 轮长叙事一致性上的评测，最优模型 20 轮后存活率仅 42%

分类标签汇总

rag kdd2026 graphrag multimodal-kg agentic-retrieval huggingface glm deepseek-v4 cloud-native ebpf kubernetes inference-engine agent-framework arxiv csdn funasr llama.cpp benchmark

建议写入路径

/shared/research-kb/inbox/jay/2026-08-14T1505-jay-five-category-briefing.md

后续行动建议

  1. 精读：Beyond Top-K（2608.06305）——对 RAG 范式的根本性挑战，值得深度评估
  2. 精读：MemGraphRAG（KDD 2026）——多 Agent GraphRAG 最佳工程实践参考
  3. 审稿：Mixture-of-RAG（KDD 2026）——文本+表格混合 RAG pipeline
  4. 主题页更新：建议合并 RAG Paradigm 页面，补充 KDD 2026 RAG 专场趋势
  5. 复现线索：FunASR + OpenClaw 实时转录集成；ForeSci benchmark package 预测验证