研究知识库周报 · Jay · 2026-09-06

主题

LLM Systems / RAG / Agent / LLMOps 高价值技术资源汇总

一、CSDN / 技术社区高价值内容

1.1 腾讯云《2026 RAG 全景：从大模型基座到 Agent 记忆中枢》

  • 来源：腾讯云社区
  • 作者：烟雨平生
  • 发布时间：2026-04-14
  • 工程价值：⭐⭐⭐⭐⭐
  • 摘要：12000字长文，覆盖 RAG 基础原理→发展迭代→技术选型→经典实践→未来方向→从零实战路径。含关键论文引用表（RAG原始论文、Self-RAG、CRAG、GraphRAG、HyDE）。
  • 复现价值：有完整代码和图表，适合作为 RAG 入门到实战的系统性参考。
  • 建议分类：RAG 工程实践 系统架构

1.2 CSDN《LangChain 2026实战：构建可靠Agent与RAG管道》

  • 来源：CSDN
  • 发布时间：2026年
  • 工程价值：⭐⭐⭐⭐
  • 摘要：聚焦 LangChain Expression Language (LCEL) 声明式管道构建，Agent + RAG 组合实战。
  • 建议分类：LangChain Agent RAG 工程实践

1.3 CSDN《RAG框架选型指南：从LlamaIndex到LangChain》（2026版）

  • 来源：CSDN
  • 工程价值：⭐⭐⭐⭐
  • 摘要：LlamaIndex vs LangChain vs DSPy 深度对决，抽象层级与核心范式对比。
  • 建议分类：框架选型 LlamaIndex LangChain DSPy

1.4 掘金《从聊天到干活：三分钟搞懂 LLM、Agent、RAG、Skill》

  • 来源：掘金
  • 工程价值：⭐⭐⭐
  • 摘要：LLM/Agent/RAG/Skill/MCP 概念快速扫盲，2026年豆包/智谱 GLM 新动态，架构思维入门。
  • 建议分类：概念入门 Agent MCP

二、Substack 高质量 Newsletter（AI/ML Engineering）

2.1 state-of-mlops（作者：Keigo Hattri）

  • 链接：stateofmlops.substack.com
  • 可信度：⭐⭐⭐⭐⭐
  • 本期亮点：
  • Evaluation-Driven Development (EDD) 方法论
  • Stanford M: Multimodal Extensible Serving System
  • State of AI Engineering（Databricks 官方博客）
  • 核心观点：MLOps 正在从实验走向生产标准，评估驱动开发成为新范式。
  • 建议分类：MLOps Systems Evaluation

2.2 Ahead of AI（作者：Sebastian Raschka, PhD）

  • 链接：magazine.sebastianraschka.com
  • 可信度：⭐⭐⭐⭐⭐
  • 本期亮点：2026 Q1-Q5 重要 LLM 论文列表，包括：
  • MiniMax-M2 Series（5月）：MoE架构、Agent Coding训练、Terminal-Gym
  • Nemotron 3 Super（4月）：Hybrid Mamba-Transformer MoE
  • Mamba-3（3月）：State Space Model 改进
  • Attention Residuals / Delta Attention Residuals：注意力机制改进
  • 核心观点：2026年架构创新超越"把Transformer做大"，混合架构（MoE+SSM+Transformer）、激活行为优化成为主战场。
  • 后续行动：建议精读 MiniMax-M2 技术报告（arXiv:2605.26494）
  • 建议分类：LLM论文 Architecture MoE Agent

2.3 Deep (Learning) Focus（作者：Cameron R. Wolfe）

  • 链接：cameronrwolfe.substack.com
  • 可信度：⭐⭐⭐⭐⭐
  • 推荐关联Newsletter：Nate's Substack（AI战略+产品分析）、Interconnects（Nathan Lambert，前沿AI lab视角）、DiamantAI（top 0.1% AI技巧）
  • 建议分类：LLM研究 行业洞察

2.4 Decoding AI Magazine（作者：Paul Iusztin）

  • 链接：paultromentum.com
  • 可信度：⭐⭐⭐⭐
  • 专注领域：设计→构建→部署 AI 软件，end-to-end LLM工程化
  • 建议分类：AI工程 实战

三、arXiv 重要论文

3.1 Agentic RAG 系统综述

  • 标题：Agentic Retrieval-Augmented Generation: A Survey on Agentic RAG
  • ID：arXiv:2501.09136（v4）
  • 可信度：⭐⭐⭐⭐⭐
  • 核心观点：从静态RAG到Agent驱动检索的范式转变；核心模式：reflection、planning、tool use、multi-agent collaboration
  • 关键应用场景：医疗、金融、法律、客户支持
  • 建议分类：Agentic RAG 综述 RAG

3.2 A-RAG：层次化检索接口扩展 Agentic RAG

  • ID：arXiv:2602.03442v1（2026-08-24）
  • 可信度：⭐⭐⭐⭐
  • 核心观点：多粒度工具对解锁更强模型性能至关重要；提出层次化检索接口框架
  • 建议分类：Agentic RAG RAG优化 检索系统

3.3 MiniMax-M2 系列技术报告

  • ID：arXiv:2605.26494
  • 可信度：⭐⭐⭐⭐⭐
  • 核心技术细节：
  • 62层 decoder-only transformer，总参数量 229.9B，活跃参数量 9.8B/token
  • MoE：256个细粒度专家，每token路由到8个专家（sigmoid gating）
  • 全部62层使用 GQA（48 query heads + 8 KV heads）
  • 上下文窗口：196,608 tokens（约192K）
  • 预训练数据：29.2T tokens
  • Multi-token prediction（MTP）模块：M2.5/M2.7扩展到3个MTP模块，支持speculative decoding
  • Terminal-Gym：可验证的终端任务合成管道
  • Benchmark亮点（M2.7，仅~10B活跃参数）：
  • SWE-bench Pro: 56.2 | SWE-bench Multilingual: 76.5
  • AIME 2026: 94.2 | GPQA-Diamond: 89.8
  • 建议分类：MoE Agent Coding Benchmark Architecture

四、关键技术洞察

4.1 RAG vs Fine-tuning 选择框架（2026更新）

  • RAG 适用：知识新鲜度、准确性、私有数据访问；约80%的企业LLM应用首选
  • Fine-tuning 适用： 1. 模型蒸馏（前沿模型→小而便宜模型） 2. 锁定风格/语调/输出格式（prompt无法hold的场景）
  • 生产系统最佳实践：Hybrid——RAG负责动态知识，Fine-tuning负责风格一致性
  • 来源：Winder.ai

4.2 2026 RAG 工程趋势

  • Hybrid Retrieval：Dense vector + Sparse keyword（BM25/SPLADE）→ Cross-encoder reranker → Contextual compression
  • Agentic RAG：检索作为LLM可多次调用的工具，支持多跳推理
  • 延迟优化：生产RAG系统端到端平均1.2-2.5秒；亚500ms需要工程对抗架构本质
  • 来源：DEV Community

4.3 LlamaIndex vs LangChain vs Haystack 实测（2026-06）

  • 测试环境：Python 3.12.8 | llama-index-core 0.14.22 | langchain 1.3.4 | haystack-ai 2.30.0
  • 选型建议：
  • 快速原型 → LlamaIndex（10行代码RAG）
  • 生产管道配置化 → Haystack（YAML序列化+类型安全）
  • 已有LangChain资产 → 继续用，但新项目慎用 langchain-community
  • 来源：jangwook.net

五、建议写入路径

主草稿路径：/shared/research-kb/inbox/jay/2026-09-06-rag-llm-systems-weekly.md

后续精读任务： 1. MiniMax-M2 技术报告（arXiv:2605.26494）→ 架构分析 2. Agentic RAG Survey（arXiv:2501.09136）→ 应用场景深度梳理 3. 腾讯云《2026 RAG 全景》→ 工程实践章节

六、分类标签汇总

RAG Agentic RAG MoE LLM论文 Architecture MLOps LLMOps LangChain LlamaIndex 系统架构 Benchmark Agent Coding 工程实践 框架选型

七、元数据

  • 实例：Jay
  • 产出时间：2026-09-06
  • 检索范围：arXiv、Semantic Scholar、Substack、腾讯云、CSDN、掘金、Medium
  • 本轮写入：是（主草稿）
  • 是否需 GitHub 写入：否（仅草稿产出）