知识库草稿 · Jay · 2026-08-22

主题

RAG / Agentic RAG / MCP / Multimodal RAG 2026 技术全景调研

检索范围

arXiv (2026)、Semantic Scholar、ACL Anthology、ACM
CSDN (LangChain / RAG / MCP 高价值工程文)
GitHub Awesome 列表、Hugging Face 数据集
Substack: The AI Engineer、AI with Aish、Learn AI Together、Alex Chen 等
官方技术博客：Anthropic MCP、LangChain、OWASP MCP Top 10

🔴 高价值条目

1. SoK: Agentic RAG — Taxonomy, Architectures, Evaluation

来源: arXiv (2026-03) · Semantic Scholar
作者: Saroj Mishra, Suman Niroula et al.
链接: https://www.semanticscholar.org/paper/SoK%3A-Agentic-Retrieval-Augmented-Generation-(RAG)%3A-Mishra-Niroula/e23f86a3021bb728af4a2d7f70cccb50ff91f4eb
可信度: ⭐⭐⭐⭐⭐ (arXiv 同行评审中，ACL 2026 体系化综述)
核心观点:
- 提出 Agentic RAG 分类学：静态 RAG → Agentic RAG → Memory-Augmented RAG 三层演进 - Agentic RAG 在多跳问答（Multi-hop）中准确率 89% vs 静态 RAG 34% - 幻觉率 Self-RAG 5.8% vs Haystack+重排 10.5%（临床场景） - 关键洞察：Agentic 增强不是普适最优，需按查询类型和领域选择性应用 - 引入 Error Propagation 检测框架用于多步推理管道 后续行动: 精读；追踪 ACL 2026 正式发表版本；可纳入"知识库架构选型"主题页

2. Agentic RAG vs Enhanced RAG — 实证对比

来源: ACL / EMNLP 2026; Semantic Scholar
作者: Pietro Ferrazzi, Milica Cvjeticanin et al.
链接: https://www.semanticscholar.org/paper/Towards-Agentic-RAG-with-Deep-Reasoning%3A-A-Survey-Li-Zhang/746575f830e07545d2fca63ccb408af0720217aa
可信度: ⭐⭐⭐⭐⭐ (ACL 2026 正式论文)
核心观点:
- 工具调用任务：静态 RAG 15% → Agentic RAG 82%（跨系统实时数据访问） - 成本维度：Agentic RAG 运营成本高出约 40-60%，需权衡场景 - 选型建议：简单问答 → 传统 RAG；复杂多跳 → Agentic RAG；高风险领域 → Agentic + 反射模式 后续行动: 可纳入"企业 RAG 选型决策树"参考

3. The AI Agents Stack (2026 Edition) — The AI Engineer Substack

来源: theaiengineer.substack.com · 2026
链接: https://theaiengineer.substack.com/p/the-ai-agents-stack-2026-edition
作者: The AI Engineer Newsletter
可信度: ⭐⭐⭐⭐ (AI Engineer 领域权威 newsletter，工程视角强)
核心观点:
- 2024-2026 三大变化：MCP 标准化工具连接层；推理模型改变单步 Agent 能力边界；Memory 成为第一架构原语 - Agent Guardrails 与 LLM Guardrails 是不同问题：Agent 层需"授权工具调用 + 限速 + 执行验证" - "Guardrails before action" 模式：授权必须在工具执行层而非输出层 - OWASP MCP Top 10 (beta)：首个 MCP 安全 Checklist - 模型路由（Model Routing）：简单分类用小模型，复杂推理用前沿模型，节省成本同时保持质量 后续行动: 精读；适合纳入"Agent 工程栈 2026"主题页

4. MCP Security Crisis — OWASP MCP Top 10 / CSA 研究

来源: CSA Cloud Security Alliance Labs · 2026-05
链接: https://labs.cloudsecurityalliance.org/research/csa-research-note-mcp-security-crisis-20260504-csa-styled
可信度: ⭐⭐⭐⭐⭐ (CSA 官方研究报告，引用 VentureBeat / The Register / Infosecurity)
核心观点:
- 系统性架构缺陷：MCP SDK 默认设计使 200,000+ 服务器暴露 RCE 风险 - 34% 的 2,614 个 MCP 实现暴露命令注入 API；67% 暴露代码注入 API - 2026年1-2月：43% 的 MCP CVE 属于 Shell 注入类漏洞 - "Anthropic confirmed the behavior is intentional and declined to modify protocol architecture" - 防御：连续 MCP 发现 + AIBOM 清单 + IDE/CI 层 Allowlist 强制执行 后续行动: 高优先级安全洞察；纳入"MCP 安全加固"主题页；建议标记为"需官方文档核验"

5. All you need to know about RAG (in 2026) — AI with Aish

来源: aishwaryasrinivasan.substack.com · 2026
链接: https://aishwaryasrinivasan.substack.com/p/all-you-need-to-know-about-rag-in
作者: Aishwarya Srinivasan (Google前研究员，ML影响力作者)
可信度: ⭐⭐⭐⭐ (高质量技术教育 newsletter)
核心观点:
- 2026 Pipeline：Hybrid Search (Top-100) → Cross-Encoder Re-rank (Top-5~10) → LLM 生成 - Rerank 模型：Cohere Rerank 3.5 / BGE-Reranker，消除"迷失在中间"现象 - Context-Aware Partitioning：语义分块（cosine distance 阈值判断主题切换）替代固定字符分块 - "Small-to-Big" Parent-Document 策略：精准小块匹配 + 父文档全量上下文 - 嵌入向量的固有问题：bi-encoder 对"具体数值"（如 Q3 2025 vs Q3 2024）是 lossy 的 后续行动: 可纳入"RAG 分块策略"工程实践页

6. LangChain 2026 环境搭建 + 国产模型接入 — SegmentFault / CSDN 精选

来源: segmentfault.com + blog.csdn.net
链接:
- https://segmentfault.com/a/1190000047541813 (SegmentFault 思否，LangChain 完整环境指南)
- https://blog.csdn.net/FH000017/article/details/163084482 (CSDN，LangChain 入门消息结构)
- https://blog.csdn.net/m0_63171455/article/details/161115517 (CSDN，LangChain 源码深度解析)
可信度: ⭐⭐⭐ (CSDN/SegmentFault 中文技术社区，工程复现价值高)
核心观点:
- Python 3.8~3.11 为 LangChain 推荐版本（3.12+ 部分依赖未适配） - 国产模型接入：langchain-deepseek (DeepSeek Chat) vs langchain-ollama (本地开源) - pip install langchain==0.3.20 稳定版；源码安装 pip install -e . 适合框架学习 - RecursiveCharacterTextSplitter 原理：["\n\n", "\n", " ", ""] 四级分隔符递归切分 - LCEL (LangChain Expression Language)：retriever | format_docs | prompt | model | StrOutputParser 后续行动: 适合纳入"LangChain 入门工程路径"；源码解析文章适合"框架架构"主题页

7. MCP Model Context Protocol — GitHub 官方多语言 SDK

来源: github.com/modelcontextprotocol
链接: https://github.com/modelcontextprotocol
可信度: ⭐⭐⭐⭐⭐ (官方规范和 SDK)
核心观点:
- 官方 SDK 生态：typescript-sdk (活跃)、Python SDK、rust-sdk、C# SDK、Go SDK、Ruby SDK - 2026-08-13 最新更新：typescript-sdk 13,160 commits；inspector 工具上线 - 新增：experimental-ext-interceptors (SEP-2624 拦截器扩展参考实现) - MCP Registry：社区驱动 MCP 服务器注册服务 - ext-apps：MCP Apps 协议，标准化 UI 嵌入式 AI 聊天机器人 - 2026 Roadmap 优先级：HTTP/SSE 传输可扩展性；Agent-to-Agent 通信（A2A 协议重叠） 后续行动: 纳入"MCP 生态全景"参考；Registry 可用于工具发现层研究

8. Awesome RAG Reasoning — GitHub 精选论文列表

来源: github.com/DavidZWZ/Awesome-RAG-Reasoning
链接: https://github.com/DavidZWZ/Awesome-RAG-Reasoning
可信度: ⭐⭐⭐⭐ (社区维护，持续更新到 2026)
精选条目:
- (arXiv 2026) MAGE-RAG：多粒度自适应图证据，用于 Agentic 多模态长文档问答 - (arXiv 2026) Trust Before Fusion：QIMG-7 污染多模态 RAG 源码感知解析 - (arXiv 2026) AdaGATE：自适应 Gap-Aware Token 高效证据组装（多跳 RAG） - (ACL 2026) Verbal-R3：语言重排器作为检索与推理之间的缺失桥梁 - (arXiv 2026) CompactRAG：减少多跳问答中 LLM 调用次数和 Token 开销 - (ICLR 2025) Think-on-Graph 2.0：知识引导检索增强的深度可信 LLM 推理 后续行动: 批量追踪；按需精读特定论文

9. Question-Adaptive Graph Learning for Multi-hop RAG — SIGIR 2026

来源: arXiv (arXiv:2510.11541v2) · SIGIR '26
链接: https://arxiv.org/html/2510.11541v2
可信度: ⭐⭐⭐⭐⭐ (SIGIR 2026 正式论文，ACM 出版)
核心观点:
- 多跳问题检索挑战：复杂语义结构理解不足 + 噪声敏感 - 提出图表示学习框架：自适应问题复杂度的图构建方法 - KG-RAG 两类主流方法：图搜索类（启发式 BFS/社区检测/LLM推理）和 GNN 类 - 现有方法局限：启发式策略噪声敏感，GNN 类计算开销大 后续行动: SIGIR 2026 追踪；适合纳入"多跳 RAG 架构"技术选型参考

10. RAG Benchmark — Paiteq / Hugging Face

来源: huggingface.co/datasets/paiteq-ai/rag-bench-2026q2
链接: https://huggingface.co/datasets/paiteq-ai/rag-bench-2026q2
可信度: ⭐⭐⭐⭐ (MIT 许可，可复现基准，靶向 2026-06 发布)
核心观点:
- 1,840 篇语料：40% 长 PDF（监管/合同/白皮书）、35% HTML（产品文档/知识库）、25% 转录文本 - 240 条查询：事实性、比较性、多跳、无答案四类 - 评测指标：Recall@5, MRR, NDCG@10, faithfulness, citation accuracy, latency p95, $/1k queries - 对比模型：Claude, GPT, Gemini, 开源基线 - 可通过 ai-eval run benchmarks/rag-2026-q2.yaml --provider claude --model claude-opus-4-7 复现 后续行动: 可作为 RAG 系统评测参考框架

11. What 1,000+ Job Descriptions Reveal About AI Engineer Role in 2026

来源: alexeyondata.substack.com (Alex Chen)
链接: https://alexeyondata.substack.com/p/what-1000-job-descriptions-reveal
可信度: ⭐⭐⭐⭐ (大规模实证研究，工程社区认可)
核心观点:
- RAG (35.9%) 是最强 GenAI 技能信号，超越 Prompt Engineering (29.1%) 和 LLM Integration (25.4%) - Agent (14.4%)：多步工作流、工具调用、编排框架 - Fine-tuning (8.5%) 明显次要 - ≈70% 是 AI-first 角色直接构建 LLM/GenAI 系统；≈28.5% 是 AI-support 基础设施角色 后续行动: 纳入"AI 工程职业趋势"参考；可与行业薪资/技能需求主题联动

12. RAG 技术演进：从 Naive RAG → Advanced RAG → Agentic RAG — GitCode/CSDN

来源: gitcode.csdn.net · 2026
链接: https://gitcode.csdn.net/69d1bbcf0a2f6a37c59d17da.html
可信度: ⭐⭐⭐ (GitCode 中文社区，工程导向，图表丰富)
核心观点:
- 三代 RAG 演进路径图：Naive RAG → Advanced RAG → Agentic RAG - GraphRAG / CAG / Agentic RAG 新范式对比 - RAG 系统完整架构流程图（用户查询 → Agent意图理解 → 自适应检索策略 → 重排 → 生成） - 决策树：是否需要跨文档推理 → GraphRAG；是否多轮动态检索 → Agentic RAG；是否需要个性化记忆 → Memory-Augmented RAG - Neo4j + LangChain 实现知识图谱构建代码示例 后续行动: 纳入"RAG 架构演进图谱"可视化参考；代码示例适合工程教学

🟡 补充条目（次高价值）

13. Claude Code 源码分析：MCP 客户端实现 — GitCode/CSDN

来源: gitcode.csdn.net (基于 Claude Code 2.1.88)
链接: https://gitcode.csdn.net/69cdadef0a2f6a37c59c681e.html
可信度: ⭐⭐⭐ (源码级分析，23个核心文件拆解)
核心观点: 支持企业/用户/本地 MCP 服务器认证、多 SDK 兼容、生命周期管理

14. 深入理解 MCP（Model Context Protocol）：从原理到源码 — GitCode/CSDN

来源: gitcode.csdn.net
链接: https://gitcode.csdn.net/69d7679254b52172bc67fb7f.html
可信度: ⭐⭐⭐ (原理+源码双重解析)

15. LangGraph Checkpointer 持久化与"时间旅行调试"

来源: meta-intelligence.tech (LangChain 教程 2026)
链接: https://www.meta-intelligence.tech/insight-langchain
可信度: ⭐⭐⭐⭐ (高质量繁体中文技术解析，连载完整)
核心洞察: 检查点持久化 + LangSmith 可观测性平台，生产 Agent 调试能力

16. llama.cpp GitHub 100k Stars 里程碑

来源: LinkedIn AI News · 2026-03
链接: https://github.com/ggerganov/llama.cpp
可信度: ⭐⭐⭐⭐ (开源社区重大里程碑)
核心观点: 本地大模型推理标准工具，1-bit Bonsai 8B (PrismML) 等高效推理依赖

分类标签

#RAG #AgenticRAG #GraphRAG #MultimodalRAG #MCP #LangChain #LangGraph #LLM #Embedding #ReRanker #安全 #Benchmark #多跳推理 #2026技术栈 #工程实践 #arXiv #CSDN #Substack

建议写入路径

/shared/research-kb/inbox/jay/2026-08-22-rag-agent-mcp-multimodal-survey.md ← 本次草稿
后续可合并到 /shared/research-kb/review/ 对应主题页（由同步任务处理）

后续行动优先级

精读 SoK Agentic RAG (arXiv) + The AI Engineer Substack（体系最完整）
核验 MCP 安全论文（OWASP MCP Top 10 / CSA）→ 需对照官方文档确认 CVE 细节
追踪 SIGIR 2026 多跳 RAG 论文（正式出版后可入知识库）
纳入 RAG Benchmark (HF) → 评测体系参考
去重检查 确认是否与 inbox 中已有草稿（2026-06 系列）内容重复