研究知识库草稿 · Jay · 2026-09-03
本次主题
CSDN 高价值技术分享（第3期）+ Substack AI Engineering 前沿精选
检索范围
- CSDN 博客：RAG、Agent、LLM微调与部署、LangChain、Multimodal、MLOps
- Substack：AI Engineer、Gradient Flow、Learn AI Together 等高质量 newsletter
- 时间范围：2025-2026 年最新实战文章
一、CSDN 高价值条目
🔥 高价值 1：LangChain 项目实战 RAG + Agent 完整 Demo 解析
- 来源：blog.csdn.net/2501_93100691
- 作者：2501_93100691（未知名）
- 发布时间：文章未标注具体日期，根据内容判断为 2025 年
- 核心内容：
- RAG + Agent 完整 Demo 解析，含 5 分钟快速启动指南
- 项目结构说明：5 分钟快速启动 + 核心模块解析 + 二次开发指南
- 涵盖 LangChain 常见错误与排查
- 工程价值：⭐⭐⭐⭐⭐
- 有完整项目结构，适合快速原型验证
- 二次开发指南具有实操参考价值
- 可信度判断：中高。结构化程度高，有代码框架骨架，非营销水文
- 建议分类：
LangChain/RAG/Agent/工程实践 - 后续行动：可作为 LangChain 入门项目骨架参考；进一步核验是否与官方文档有更新差异
🔥 高价值 2：RAG 实战：百行代码解析增值税发票（大模型结构化输出）
- 来源：blog.csdn.net/xxue345678
- 发布时间：2025 年（推测）
- 核心内容：
- LlamaIndex + Pydantic 结合，实现增值税发票 → JSON 结构化输出
- 附完整源码，含 PDF 读取、AzureOpenAI 调用、Pydantic 模型定义
- 优势/局限性分析
- 工程价值：⭐⭐⭐⭐⭐
- 源码完整（百行量级），可复现性强
- 展示了 LLM + Pydantic 结构化输出的标准范式
- 涉及 LlamaIndex
PDFReader、AzureOpenAI、structured_llm等组件 - 可信度判断：高。实测驱动，有代码有输出示例，非理论堆砌
- 建议分类：
RAG/LlamaIndex/结构化输出/Pydantic/源码 - 后续行动：适合作为 RAG 结构化输出场景的参考模板；建议对比 LlamaIndex 官方最新 API
🔥 高价值 3：大模型 RAG 实战：RAG 原理、应用与系统构建（三阶段演进）
- 来源：blog.csdn.net/2301_82275412
- 发布时间：2025-04-25 首次发布，2025-10-15 推荐
- 核心内容：
- RAG 三阶段演进框架：初级 RAG → 高级 RAG → 超级 RAG（Agentic RAG）
- 初级：向量 + LLM 基础 pipeline；高级：召回优化（query改写/HyDE/混合搜索）+ 生成优化（压缩/重排序/Map-Reduce）
- 超级：Agentic RAG、GraphRAG、MemoryRAG、多模态 RAG
- 涉及 M3E、BGE 向量模型、Qwen/LLaMA 生成模型
- 工程价值：⭐⭐⭐⭐⭐
- 系统性梳理 RAG 演进脉络，适合做技术路线图参考
- 每个阶段有优化策略，实用性强
- 可信度判断：高。逻辑清晰，引用具体模型名和策略名，有文献引用意识
- 建议分类：
RAG/系统架构/Agentic RAG/GraphRAG/知识库 - 后续行动：可作为 RAG 系统设计文档的参考资料；GraphRAG 部分需核验 LlamaIndex 官方实现
🔥 高价值 4：Deep Searcher（Zilliz）Agentic RAG 实现逻辑解析
- 来源：blog.csdn.net/kakazhui
- 发布时间：2025 年（推测）
- 核心内容：
- Deep Searcher 是 Zilliz 团队开源的下一代 Agentic RAG 系统
- 融合多模态检索、Agent 工作流、插件机制
- 快速上手：
git clone+ Python 3.9+ 环境 - 项目地址：github.com/zilliztech/deep-searcher
- 工程价值：⭐⭐⭐⭐
- Zilliz（Milvus 向量数据库母公司）出品，有商业背景
- Agentic RAG 框架，适合企业级知识检索场景
- 可信度判断：中高。有 GitHub 开源项目支撑，可直接验证
- 建议分类：
Agentic RAG/Zilliz/RAG/开源框架 - 后续行动：建议直接访问 deep-searcher GitHub 核验最新版本和文档
🔥 高价值 5：国产大模型 LangChain 集成实战（Qwen/DeepSeek/ChatGLM 混合调度）
- 来源：blog.csdn.net/sinat_28461591
- 发布时间：2025 年
- 核心内容：
- 将 Qwen2.5、DeepSeek、ChatGLM 集成进 LangChain 高级工作流
- 多任务调度、插件调用、Agent 对话逻辑、多源知识库动态组合
- 工程价值：⭐⭐⭐⭐
- 国产模型 + LangChain 集成具有强实用价值
- 覆盖混合调度这一常见工程痛点
- 可信度判断：中高。有具体代码框架，非泛泛而谈
- 建议分类：
LangChain/国产模型/Qwen/DeepSeek/Agent - 后续行动：验证 LangChain 最新版本（v0.3+）对这些模型的兼容性是否有变化
🔥 高价值 6：2025 终极指南：60+ 主流大模型部署与微调全攻略
- 来源：blog.csdn.net/gitblog_00739
- 发布时间：2026-01-29，2026-02-27 推荐
- 核心内容：
- 基于 self-llm（Datawhale 开源项目）的一站式指南
- 支持 60+ 主流模型：Qwen3/2.5/2-VL、GLM-4 系列、Llama4/3.1、Phi-4 等
- 覆盖 Transformers 基础部署、FastAPI、vLLM/SGLang、LoRA 微调
- 案例：医学知识库助手、学术论文助手
- 项目地址：gitcode.com/datawhalechina/self-llm
- 工程价值：⭐⭐⭐⭐⭐
- self-llm 是 Datawhale 维护的开源项目，持续更新
- 覆盖模型全生命周期，工程指导性强
- 可信度判断：高。Datawhale 背书，开源可验证，含模型下载方式对比表
- 建议分类：
LLM部署/微调/LoRA/self-llm/vLLM/Ollama - 后续行动：建议直接访问 self-llm GitCode 核验最新支持模型列表
🔥 高价值 7：Python 微调大模型 + Ollama 本地部署（Unsloth + GGUF 完整流程）
- 来源：blog.csdn.net/m0_63171455
- 发布时间：2025-09-08 首次发布，2025-09-18 推荐
- 核心内容：
- 完整 10 步流程：数据收集 → Unsloth 微调 → GGUF 导出 → Ollama Modelfile 创建 → 本地运行
- 使用 Google Colab 免费 T4 GPU，Base model 为 Phi-3 Mini
- 实战案例：HTML → JSON 结构化提取任务
- Ollama 自定义模型创建流程
- 工程价值：⭐⭐⭐⭐⭐
- 步骤最完整的微调+部署教程之一
- 零成本（Colab）+ 本地推理（Ollama），可操作性极强
- 可信度判断：高。分步骤实测，有输入/输出示例
- 建议分类：
微调/Unsloth/Ollama/GGUF/Phi-3/量化 - 后续行动：建议对比 Unsloth 官方最新支持的模型列表，确认 Phi-3 是否仍为主流推荐
🔥 高价值 8：Llama 3.2 本地部署到微调实战（2026 年最新）
- 来源：blog.csdn.net/DomicZhong
- 发布时间：2026 年（文中提到 2026 年初 Llama 3.2 发布）
- 核心内容：
- Llama 3.2 部署方案对比：Ollama / OpenVINO / 原生 PyTorch
- Ollama 部署：安装、拉取、运行三步
- 硬件要求表（内存/显卡/系统）
- 量化部署注意事项
- 工程价值：⭐⭐⭐⭐
- 2026 年最新模型覆盖，时效性强
- 方案对比表适合做技术选型参考
- 可信度判断：中高。含硬件要求对比，有实操步骤
- 建议分类：
Llama/Llama 3.2/部署/Ollama/量化 - 后续行动：Llama 3.2 已于 2025 年发布，需确认 2026 年是否有新版本迭代
🔥 高价值 9：大模型进阶：RAG 与 DeepSeek 技术融合与最佳实践
- 来源：blog.csdn.net/bugyinyin
- 发布时间：2025-12-15 首次发布，2026-01-29 推荐
- 核心内容：
- DeepSeek-R1 不适合作为 RAG 检索嵌入模型的深层原因分析
- Qwen2（gte-Qwen2-7B-instruct）专门针对语义相似性训练，优于 DeepSeek-R1 的检索场景
- 当前趋势：推理能力（Think）放在生成阶段，检索阶段用专用嵌入模型
- RAGFlow / LlamaIndex / GraphRAG 三大开源框架实战
- Dify / MaxKB / Cherry Studio + MCP 集成
- 工程价值：⭐⭐⭐⭐⭐
- 澄清了 DeepSeek-R1 在 RAG 架构中的常见误区
- 含多框架对比，有技术选型指导价值
- 可信度判断：高。有具体模型对比，有原理分析，非表面推荐
- 建议分类：
RAG/DeepSeek/Qwen/嵌入模型/Dify/MCP - 后续行动：建议核验 DeepSeek 官方是否有专门的嵌入模型发布（2026 年情况可能有变）
🔥 高价值 10：MLflow 在 LLM 评估中的工程实践（可追溯、可比较）
- 来源：blog.csdn.net/weixin_29161785
- 发布时间：推测 2025-2026 年
- 核心内容：
- MLflow 用于 LLM 评估的实战方法
- 多模态 MLOps 框架：Git-LFS + DVC + MLflow 三阶协同方案
- 解决多模态大模型版本管理混乱问题
- 工程价值：⭐⭐⭐⭐
- LLM 评估是生产级系统的关键能力
- 多模态版本管理方案稀缺，有独特价值
- 可信度判断：中高。MLflow 官方有相关文档，需核验内容深度
- 建议分类：
MLOps/LLM评估/MLflow/多模态/版本管理 - 后续行动：建议对比 LangSmith（Harrison Hunt 工具）在 LLM 可观测性的覆盖度
二、Substack 高价值条目
Substack 1：The AI Agents Stack (2026 Edition) — The AI Engineer
- URL：theaiengineer.substack.com/p/the-ai-agents-stack-2026-edition
- 作者：The AI Engineer（高质量 AI Engineering newsletter）
- 发布时间：2026 年 3 月
- 核心观点： 1. Agent Guardrails ≠ LLM Guardrails：2024 年 Guardrails = 输入/输出过滤器；2026 年 Agent Guardrails = 工具调用授权 + 限速 + 行为验证 2. Agent Stack vs LLM Stack 的本质区别：聊天机器人需要推理 + 可能 RAG；Agent 需要多步执行的状态管理、协议级工具访问、会话持久化内存、自主推理循环、实时行为约束 3. 2026 年 Agent 技术栈基础设施层已成熟：从 LangChain/LangGraph 演进到专业 Agent SDK
- 可信度判断：高。The AI Engineer 是 AI Engineering 领域权威 newsletter
- 技术洞察：Agent 工程化基础设施已独立成体系，不再是 LLM API 的简单包装
- 建议分类：
Agent/AI Engineering/Guardrails/技术栈/2026 - 后续行动：建议精读原文；核验 Agent Guardrails 领域（，推荐阅读 Arize AI、Phoenix 等可观测性平台相关实践）
Substack 2：RAG Reimagined: 5 Breakthroughs You Should Know — Gradient Flow
- URL：gradientflow.substack.com/p/rag-reimagined-5-breakthroughs-you
- 作者：Ben Lorica（Gradient Flow，主持 AI Conference、NLP Summit 等会议）
- 核心观点： 1. RAG 仍是知识密集型 AI 应用的基础，而非过渡技术 2. RAG + 自主 Agent + 大规模推理模型 是三条并行路线，RAG 在实际生产中仍占主导 3. Block 团队开源 Goose（MCP 驱动的 AI Agent），展示了工程化 Agent 架构
- 可信度判断：高。Ben Lorica 是行业资深人士，文章基于真实工程实践
- 技术洞察：RAG 生态系统仍在快速演进，GraphRAG、多模态 RAG 是 2026 年热点
- 建议分类：
RAG/Agent/MCP/GraphRAG/行业洞察 - 后续行动：建议核验 Block Goose 开源项目（搜索对应 GitHub repo）
Substack 3：How I'd Learn AI Engineering in 2026 — Louis Bouchard
- URL：louisbouchard.substack.com/p/how-id-learn-ai-engineering-in-2026
- 作者：Louis Bouchard（知名 AI 教育者，YouTube 频道 + Substack）
- 核心观点： 1. Codex / Claude Code / Cursor 可以在几分钟内生成可用的 RAG pipeline 2. 核心警示：当第一版生成变得容易时，开发者的价值转移到"决策层"——系统设计、工具选型、数据质量 3. AI 工程学习的核心：从"能写"到"会决策"
- 可信度判断：中高。Louis Bouchard 内容质量稳定，观点偏教育导向
- 技术洞察：对 AI Engineer 学习路径有参考价值，但深度有限
- 建议分类：
AI Engineering/学习路径/工具/2026 - 后续行动：可作为 AI Engineering 学习路线图参考，但建议结合学术论文深化
三、分类标签汇总
| 标签 | 条目数 | 来源 |
|---|---|---|
| RAG | 7 | CSDN×5, Substack×2 |
| Agent / Agentic RAG | 6 | CSDN×4, Substack×2 |
| LangChain | 3 | CSDN |
| 微调 / LoRA | 4 | CSDN |
| 部署 / Ollama / vLLM | 4 | CSDN |
| 国产模型 / DeepSeek / Qwen | 3 | CSDN |
| MLOps / LLM 评估 | 2 | CSDN |
| 结构化输出 / Pydantic | 1 | CSDN |
| GraphRAG / Multimodal RAG | 2 | CSDN + Substack |
| MCP 协议 | 2 | CSDN + Substack |
| AI Engineering 技术栈 | 2 | Substack |
四、本次写入路径
建议写入路径：/shared/research-kb/inbox/jay/2026-09-03-csdn-rag-llm-agents-substack.md
五、后续行动建议
🔍 建议精读（需核验原文）
- Deep Searcher GitHub：github.com/zilliztech/deep-searcher — 核验最新版本、API 稳定性、企业级特性
- self-llm 项目：gitcode.com/datawhalechina/self-llm — 核验 2026 年新增支持模型
- Block Goose (MCP Agent)：搜索 GitHub goose-ai 或 Block 开源目录 — 核验 MCP 集成实践
- DeepSeek 官方嵌入模型：确认 2026 年是否有官方 RAG 嵌入专用模型发布
📝 建议审稿
- RAG 三阶段演进文章（blog.csdn.net/2301_82275412）可作为知识库 RAG 主题页核心参考
🏷️ 建议知识库主题页更新
- 新增：
Agentic RAG主题页 — 整合 Deep Searcher + GraphRAG + LlamaIndex 四框架对比 - 更新：
LLM 评估主题页 — 加入 MLflow + LangSmith 对比 - 更新：
国产模型集成主题页 — Qwen2.5/DeepSeek/ChatGLM + LangChain 混合调度
六、整体评价
本期 CSDN 高价值内容整体质量较前两期有所提升，LangChain + RAG + Agent 仍是主轴，2025-2026 年的文章开始系统性覆盖 Agentic RAG、GraphRAG、混合调度等前沿工程问题。self-llm 项目是本期最大亮点，有持续维护和开源社区支撑。
Substack 侧以 The AI Engineer 的 Agent Stack 2026 版最为关键，明确了 Agent 工程化基础设施的独立地位，对知识库技术架构有方向性指导价值。
起草：Jay · 2026-09-03 · 第3期 CSDN+Substack 高频检索