学术知识库草稿 · Jay · 2026-08-30

本次主题

CSDN 高价值技术检索 + Substack AI/ML 系统Newsletter精选（RAG、Agentic AI、MLOps）

检索范围

• CSDN blog（LLM/RAG/向量检索、AI Agent、Multimodal、MLOps）
• Substack（AI systems、RAG、Agent、MLOps newsletter）
• 时间覆盖：2025–2026

一、CSDN 高价值条目

🔴 高价值（可直接引用/工程参考）

1. GraphRAG vs 无向量RAG vs 向量RAG（2026年高级上下文工程指南）

• URL: https://blog.csdn.net/m0_59163425/article/details/161777236
• 作者: m0_59163425
• 发布时间: 2026-06-07（最新推荐 2026-08-26）
• 阅读量/互动: 415阅读，9点赞
• 核心观点:
• 向量RAG存在结构性失败模式：块失去邻近内容、实体间无关系遍历、"语义相似"≠"查询相关"
• GraphRAG：添加知识图谱层，适合关系型查询（"谁做了什么"、"A和B有什么关系"）
• 无向量RAG：抛弃向量数据库，让LLM直接在文档结构上推理，适合结构化文档（表格、列表、层级）
• 两者都解决真实问题，非即插即用替代品
• 提供清晰决策框架
• 可信度: ⭐⭐⭐⭐⭐ 原创，技术深度高，有代码示例和架构图，CC协议
• 工程价值: 极高。生产选型必读，决策框架可直接参考
• 复现价值: 高，含Python代码片段
• 标签: RAG, GraphRAG, 知识图谱, 向量检索, 上下文工程
• 后续行动: 建议加入知识库"RAG演进"主题页，精读决策框架部分

2. RAG 检索增强生成 2026 实战：从基础向量检索到 Graph RAG 与 Agentic RAG

• URL: https://blog.csdn.net/qq_31142761/article/details/161788018
• 作者: qq_31142761
• 发布时间: 约2026-06
• 核心观点:
• 五代RAG技术全景（Naive → Advanced → Modular → GraphRAG → Agentic RAG）
• Advanced RAG：五大失效场景与应对策略（query改写、top-k调整、嵌入模型选择等）
• GraphRAG：核心原理 + 实战代码（实体抽取→知识图谱构建→图检索）
• Agentic RAG：让Agent自主决策检索策略（query rewriting → 是否检索 → 迭代检索）
• RAGAS自动化评估实践
• 技术选型决策树 + 性能优化Checklist
• 可信度: ⭐⭐⭐⭐⭐ 原创，系统性强，含完整代码，分类专栏覆盖RAG/Agent/大模型
• 工程价值: 极高。五代演进+代码+决策树，是当前最完整的RAG工程实践汇总之一
• 复现价值: 高，含可运行Python/LangChain代码片段
• 标签: RAG, Agentic RAG, GraphRAG, Advanced RAG, LangChain, RAGAS, 评估
• 后续行动: 建议加入"RAG工程实践"主题页，代码部分可作为项目模板参考

3. RAG 检索增强生成实战：从 Demo 到生产环境的五个关键优化

• URL: https://blog.csdn.net/qq_56999332/article/details/161400644
• 作者: qq_56999332
• 发布时间: 2026-05-25（最新推荐 2026-08-18）
• 阅读量/互动: 1.3k阅读，48点赞
• 核心观点:
• 文档解析：80%项目死在这一步（表格、PDF、扫描件的处理方案）
• 分块策略：语义切分 + 小大窗口（small-to-big）优于固定chunk size
• 检索质量：向量相似≠语义相关，三大陷阱（多义词、领域差异、上下文丢失）
• 多轮对话：对话历史管理、上下文窗口、召回与生成的协同
• 成本控制：Prompt缓存是2026年最大成本杠杆（减少重复LLM调用）
• 被AtomGit开源社区收录
• 可信度: ⭐⭐⭐⭐⭐ 原创，社区验证，有实际生产经验（"80%项目死在文档解析"是工程直觉总结）
• 工程价值: 高。生产环境实战指南，5个关键节点均有具体解决方案
• 复现价值: 高，含各环节代码示例
• 标签: RAG, 生产部署, 分块策略, 多轮对话, 成本优化, Prompt缓存
• 后续行动: 建议加入"RAG生产落地"主题页

4. 2026年七大主流AI Agent框架深度对比

• URL: https://blog.csdn.net/xx_nm98/article/details/163482281
• 作者: xx_nm98
• 发布时间: 约2026年中
• 核心观点:
• LangChain：全球最广泛使用的开源框架，生态最完整
• 微软智能体框架（Azure AI Agent Service）：2025年10月发布，微软官方主推
• LlamaIndex：数据管理方向强，检索增强型Agent首选
• AutoGen：多智能体协作（Multi-Agent），微软开源
• CrewAI：多Agent协作，强调角色分工
• LangGraph：基于LangChain的状态机编排，适合复杂工作流
• 各框架设计哲学对比：流程编排 vs 数据管理 vs 多智能体协作
• 可信度: ⭐⭐⭐⭐ 原创，视角全面，对比维度清晰
• 工程价值: 高。框架选型参考，有代码和架构对比
• 标签: AI Agent, LangChain, LlamaIndex, AutoGen, CrewAI, LangGraph, 框架对比
• 后续行动: 建议加入"AI Agent工程化"主题页

5. 2025年MLOps核心技术解析与实践指南

• URL: https://blog.csdn.net/weixin_28746213/article/details/160536476
• 作者: weixin_28746213
• 发布时间: 约2025年
• 核心观点:
• MLOps定义：将DevOps理念引入机器学习，实现模型全生命周期自动化
• 核心组件：数据流水线、模型版本管理、自动化测试、监控、工作流编排
• 从实验到生产的标准化流程
• 与LLMOps的边界：MLOps偏传统ML，LLMOps专注大模型推理优化和部署
• 可信度: ⭐⭐⭐⭐ 概念清晰，适合作为MLOps入门参考
• 工程价值: 中高。系统梳理，适合知识体系建立
• 标签: MLOps, LLMOps, 模型部署, 自动化流水线, 监控
• 后续行动: 可加入"AI系统工程"主题页

6. 2025 AI工程落地核心论文实战指南：从推理优化到多模态系统

• URL: https://blog.csdn.net/weixin_30620431/article/details/161269238
• 发布时间: 约2026年
• 核心观点:
• 大模型推理优化：KV Cache、动态批处理、Speculative Decoding
• 多模态系统部署：视觉编码器+语言模型的联合推理优化
• 推理成本正成为商业化落地核心瓶颈
• 可信度: ⭐⭐⭐⭐ 聚焦工程落地，论文+实战结合
• 工程价值: 高。涵盖当前最热推理优化技术
• 标签: 推理优化, KV Cache, Speculative Decoding, 多模态部署, 商业化

🟡 候选条目（需进一步核验）

7. RAG 正在被重写：从向量检索到Agent认知架构的范式迁移

• URL: https://blog.csdn.net/qcx23/article/details/160820786
• 核心观点: 向量相似度检索到顶，2026 RAG正经历从"管道"到"大脑"重构
• 可信度: ⭐⭐⭐⭐ 标题党但有实质内容，发布时间2026年初
• 状态: 内容获取超时，需手动访问核验

8. 2025年最火AI Agent框架大PK：LangChain、LlamaIndex

• URL: https://blog.csdn.net/m0_59164520/article/details/154690915
• 核心观点: 三大框架代表三个核心方向：流程编排、数据管理、多智能体协作
• 可信度: ⭐⭐⭐⭐ 早期框架对比（2025年），可与#4对比看演进

二、Substack 高价值条目

🔴 高价值 Newsletter（AI Systems / MLOps / Agent）

1. The 2026 Roadmap: Production AI/ML Systems

• URL: https://jamwithai.substack.com/p/the-2026-roadmap-production-aiml
• 作者: Shantanu Ladhwe & Shirin Khosravi，Jam with AI（~38k订阅者）
• 发布时间: 2026年初
• 核心观点:
• Q1 2026: AI Agents课程 + RAG进阶课程
• Q2 2026: NLP微调课程（zero to fine-tuning，社区驱动）
• Q2-Q3: RecSys with MLOps
• 主题：本地化部署、无API依赖的AI系统构建
• 强调实践社群：周五讨论会 + 月度付费订阅者通话
• 可信度: ⭐⭐⭐⭐⭐ 高质量工程向newsletter，有明确课程体系
• 洞察价值: 反映2026年AI工程教育的主流方向（Agent→RAG进阶→NLP微调→RecSys+MLOps）
• 标签: AI Agent, RAG, NLP微调, RecSys, MLOps, 课程路线图, 2026路线图
• 后续行动: 追踪其RAG进阶课程内容，可作为知识库"学习路径"参考

2. AgentOps: Lessons from Over 1,400 Production Deployments of AI Systems

• URL: https://hugobowne.substack.com/p/agentops-lessons-from-over-1400-production
• 作者: Hugo Bowne-Anderson（知名数据科学/ML教育者）
• 发布时间: 2026年6月
• 核心观点:
• 2026是企业级Agent元年，实验阶段已结束
• 数据库反映从简单RAG到自主系统的转变
• 模型正在变得超级快且针对Agent应用优化
• 模型应用出现明显分裂：不同场景用不同类型模型
• 核心工程洞察: Agent运行时必须保留为对象（输入、工具调用、状态变更、重试、人机干预、最终结果），否则团队只能看到答案而无法追溯系统行为
• 可信度: ⭐⭐⭐⭐⭐ 来自1400+生产部署的一手经验，极高工程价值
• 洞察价值: "运行时对象化"是Agent可观测性（Observability）的关键，与传统日志完全不同
• 标签: AgentOps, 生产部署, 可观测性, AI Agent, 2026趋势
• 后续行动: 建议加入"AI Agent生产运维"主题页，核验原文完整观点

3. From RAG to Agents: An Incremental Path to Agentic AI

• URL: https://odsc.substack.com/p/data-viz-datasets-agent-skills-efficient（ODSC West预告页）
• 作者: ODSC（Open Data Science Conference）
• 发布时间: 2026年
• 核心观点:
• RAG → Agentic AI的渐进路径：query rewriting → optional retrieval → iterative loops → tool-based architecture
• 每个增量步骤都有明确工程价值
• 安全数据管道：SAST在ML数据管道中的位置
• 可信度: ⭐⭐⭐⭐ ODSC是知名数据科学会议品牌，内容质量有保障
• 洞察价值: "渐进路径"概念对工程团队分阶段落地很有价值
• 标签: RAG, Agentic AI, 渐进路径, 工程化, ODSC
• 后续行动: 建议核验ODSC完整文章

4. The AI Systems Engineer Journey

• URL: https://theneuralmaze.substack.com/p/welcome-to-the-ai-systems-engineer
• 作者: The Neural Maze
• 发布时间: 约2026年
• 核心观点:
• RAG是2026年最常见的LLM应用项目类型
• "Naive RAG是LLM应用的Hello World；真正的RAG系统是能经受用户接触的RAG"
• AI Systems Engineer定义：拥有整个系统回路（数据→模型→服务→评估→监控→迭代）
• 这不是单一框架教程，而是系统性工程角色定位
• 可信度: ⭐⭐⭐⭐ 视角独特，角色定位清晰
• 洞察价值: "Naive RAG → 真实RAG"的区别是工程化成熟度的重要标志
• 标签: AI Systems Engineer, RAG, 工程角色, 系统思维, 2026
• 后续行动: 追踪该newsletter，系统工程视角值得关注

三、分类标签汇总

RAG, GraphRAG, Agentic RAG, Advanced RAG, 向量检索, 知识图谱, 
AI Agent, LangChain, LlamaIndex, AutoGen, LangGraph, CrewAI,
MLOps, LLMOps, 推理优化, KV Cache, Speculative Decoding,
多模态部署, AI Systems Engineer, AgentOps, 可观测性,
上下文工程, 生产部署, 成本优化, RAG评估, RAGAS

四、主题页更新建议

1. "RAG工程实践"主题页：加入#1/#2/#3，建立五代数演进+生产checklist结构
2. "AI Agent生产运维"主题页：加入#2（AgentOps）+#4，建立AgentOps可观测性框架
3. "AI学习路径/课程"主题页：加入Substack #1（Jam with AI 2026路线图）
4. "AI系统工程角色"主题页：加入#4（AI Systems Engineer角色定位）

五、精读/审稿优先级

六、本次写入路径

/shared/research-kb/inbox/jay/2026-08-30-csdn-rag-agent-mlops.md

本稿由 Jay（CSDN高频检索任务，2026-08-30）生成 检索覆盖：CSDN RAG/Agent/MLOps 2025-2026 + Substack AI Systems/ML/Agent newsletter