研究草稿 · 2026-09-10 · Jay

主题

CSDN 高价值文章 + Substack AI Agents Stack · 2026 年秋季

一、CSDN 高价值条目

✅ 收录

1. 2026 年 RAG 技术最新进展与落地实践指南

• URL: https://blog.csdn.net/2501_92406411/article/details/158391326
• 工程价值: ⭐⭐⭐⭐⭐（最高）
• 版本/环境/命令: 有 2026 年时间戳；明确指出传统 RAG → Graph-RAG → Agentic RAG → 长期记忆系统 的演进阶段
• 源码/复现价值: 提供了完整的范式分类：Naive RAG → Advanced RAG → Modular RAG → Agentic RAG，架构描述清晰
• 核心观点摘要:
• 传统 RAG 失效原因：向量相似度只能解决「像不像」，不能解决「对不对」；真实知识是结构化关系、时间变化、跨文档推理
• 2026 年 RAG 四大新范式：
  1. Graph-RAG：构建实体-关系图，检索变成路径推理，支持多跳 reasoning
  2. Agentic RAG：思考→检索→再思考→再检索→行动，RAG 从「模块」变成「循环」
  3. 长期记忆系统：AI 拥有持续记忆，用户画像、历史决策、知识状态持续更新
  4. 无检索推理：长上下文模型直接读取文档，部分场景 RAG 被更高层架构吸收
• 企业正在从「知识库问答」升级为「AI 员工」：自动分析报告、持续运营优化、业务流程决策
• 可信度: 高。系统梳理了 RAG 从 2023 到 2026 的范式迁移，分类严谨
• 建议: 精读，可作为 RAG 演进主题页核心参考文献

2. SGLang：LLM 推理引擎发展新方向

• URL: https://blog.csdn.net/m0_59235245/article/details/142149423
• 工程价值: ⭐⭐⭐⭐
• 版本/环境: 2026 年数据；提及 vLLM vs SGLang vs TensorRT-LLM 三足鼎立格局
• 核心观点摘要:
• vLLM：通用性 + 易用性，生产部署标准
• SGLang：在 Agent 和结构化输出场景优势显著，推理表达抽象化
• TensorRT-LLM：高性能推理，企业级部署首选
• 2026 年新格局：vLLM 适合通用场景，SGLang 适合 Agent 工作流，TensorRT-LLM 适合极致性能场景
• 可信度: 中高。内容结构化，但缺少实测 benchmark 数据
• 建议: 与其他实测文章交叉验证；可用于推理框架选型参考

3. 2026 大模型选型实战指南：DeepSeek-V3、Qwen3 等五大模型能力

• URL: https://blog.csdn.net/weixin_29056781/article/details/162567228
• 工程价值: ⭐⭐⭐⭐
• 版本/实测数据: LoRA 微调政务咨询数据，qwen3-base → qwen3-moe 迁移实测；收敛速度比从头训练快 3.2 倍
• 源码/复现价值: 有具体配置迁移说明（"替换几行配置"）
• 核心观点摘要:
• Qwen3 MoE 架构实测：LoRA 权重可在 Dense 和 MoE 模型间无缝迁移
• Qwen3-235B-A22B（MoE）和 Qwen3-8B 等多规格对比
• 国产开源模型 2026 格局：Llama / Qwen / DeepSeek / GLM 全景
• 可信度: 中高。有实测数据但来源单一
• 建议: 精读，Qwen3 系列工程选型参考

4. 开源大模型全景图（2026）：从 Llama、Qwen 到 DeepSeek、GLM

• URL: https://blog.csdn.net/qq_21886255/article/details/163823561
• 工程价值: ⭐⭐⭐⭐
• 版本信息: Qwen3.5（397B-A17B MoE）；Qwen3 起引入思考/非思考混合模式；3.5+ 支持视频输入，覆盖 201 种语言
• 核心观点摘要:
• Dense（0.5B～27B）与 MoE（Qwen3 235B-A22B、Qwen3.5 397B-A17B）并存
• 国产开源模型技术演进路线梳理
• 可信度: 中。偏概览性质，适合快速了解生态全貌
• 建议: 作为索引文章，可按需跳转各模型专项文章

5. GitHub 超 18k 星的最全 RAG 和 AI Agent 开发实践项目集合

• URL: https://blog.csdn.net/2401_82469710/article/details/157324978
• 工程价值: ⭐⭐⭐⭐⭐
• 源码/复现价值: 大量 GitHub 项目引用（awesome-llm-apps），包括：
• Agentic RAG：Autonomous RAG、Agentic RAG
• 本地 RAG：Deepseek Local RAG Reasoning Agent、Llama3.1 Local RAG、Local RAG Agent
• 混合检索：RAG App with Hybrid Search、RAG Agent with Database Routing
• Agent 记忆：AI Arxiv Agent with Memory、LLM App with Personalized Memory
• 多模态：Ciemini Multimodal Chatbot、Mixture of Agents
• MCP 生态："Chat with GitHub Repo"、"Chat with PDF"、"Chat with YouTube Videos"、"Chat with Substack Newsletter"
• 核心观点摘要:
• awesome-llm-apps 项目（Shubhamsaboo/awesome-llm-apps）汇总了 LLM 应用全景
• 涵盖 RAG、Agent、Memory、多模态、多 Agent 协作等主流方向
• 原仓库 GitHub 链接：https://github.com/Shubhamsaboo/awesome-llm-apps
• 可信度: 高。项目来源可验证，实操性强
• 建议: 精读，作为 LLM 应用工程索引

6. 清华最新力作：多模态 RAG 综述

• URL: https://blog.csdn.net/tMb8Z9Vdm66wH68VX1/article/details/156467038
• 工程价值: ⭐⭐⭐⭐
• 论文来源: 清华团队；论文标题：Scaling Beyond Context: A Survey of Multimodal Retrieval-Augmented Generation for Document Understanding
• 版本/数据集: 覆盖 DocVQA、InfoVQA、ChartQA、DUDE 等十余个基准；M3DocVQA、OpenDocVQA、ViDoSeek 等 2024-2025 新基准
• 核心观点摘要:
• 多模态 RAG 突破上下文限制的原理与研究增长趋势
• 封闭域 vs 开放域多模态 RAG 检索范围对比
• 图像单模态与图文双模态检索流程对比
• 可信度: 高。清华团队，arXiv 可查
• 建议: 精读，多模态 RAG 方向核心参考文献

7. 构建 Agentic RAG 系统（一）：Agentic RAG 系统：RAG 与 AI Agent 系统的结合

• URL: https://blog.csdn.net/m0_56255097/article/details/145188305
• 工程价值: ⭐⭐⭐⭐
• 版本: 有 2025-01 最新推荐标记；LangGraph 架构
• 核心观点摘要:
• Agentic RAG = RAG + AI Agent，动态知识检索 + 自主决策
• Agentic RAG 路由器：模块化框架，根据查询意图和复杂性动态路由
• 自我反思 RAG：多轮检索 + 反馈循环
• LangGraph 实现 Agentic RAG 的架构图和工作流
• 可信度: 中高。LangGraph 官方架构，有参考价值
• 建议: 审稿，需与 RAG 综述交叉验证架构描述准确性

8. 2026 李沐[动手学深度学习 V2] PyTorch 环境配置

• URL: https://blog.csdn.net/amiyashirou/article/details/160961376
• 工程价值: ⭐⭐⭐⭐
• 复现价值: 极高。完整安装步骤：Anaconda → 创建环境 → d2l + Jupyter → PyTorch GPU 版本 + ERROR 解决
• 版本: 2026 年更新；PyTorch GPU 版本安装
• 可信度: 高。出自李沐《动手学深度学习》配套教程，有大量读者验证
• 建议: 精读，深度学习环境配置标准参考

9. 一文读懂大模型推理部署框架：vLLM / SGLang / TensorRT-LLM / Ollama

• URL: https://blog.csdn.net/xxue345678/article/details/149715343
• 工程价值: ⭐⭐⭐⭐
• 版本/环境: 各框架核心差异和适用场景对比
• 核心观点摘要:
• vLLM（伯克利团队）：专注显存效率与吞吐量，PagedAttention
• SGLang：推理表达抽象化，支持 OpenAI API 协议
• Ollama：本地轻量部署
• 可信度: 中高。框架对比全面，适合选型参考
• 建议: 可与 SGLang 专项文章交叉验证

10. 深度学习框架 PyTorch 与 TensorFlow 选型

• URL: https://blog.csdn.net/cuffpp_497/article/details/162887231
• 工程价值: ⭐⭐⭐
• 版本数据: 2026 年数据显示 PyTorch 主导学术，TensorFlow 仍广泛用于工业部署
• 核心观点摘要:
• 从设计哲学、开发效率、部署生态三维度对比
• 选型建议：学术优先 PyTorch，工业部署看场景
• 可信度: 中。偏综述，无新数据
• 建议: 入门参考，可跳过

二、Substack 高价值条目

✅ 收录

1. The AI Agents Stack (2026 Edition) — The AI Engineer

• URL: https://theaiengineer.substack.com/p/the-ai-agents-stack-2026-edition
• 作者/专栏: The AI Engineer
• 发布时间: 2026-03 前后
• 核心观点摘要:
• Agent guardrails 已成为独立于 LLM guardrails 的单独学科（2024：输入/输出过滤 → 2026：工具调用授权、速率限制、行动验证）
• 核心论断："The agent stack is not the LLM stack" — Chatbot 需要推理+可选 RAG；Agent 需要状态管理、多步执行工具访问、跨 session 记忆、自主推理循环、实时 guardrails
• 五大组件：State Management、Tool Access、Memory Persistence、Reasoning Loop、Guardrails
• 可信度: 高。The AI Engineer 是 AI Engineer 领域权威 newsletter，2026 年系统性总结
• 后续行动: 核验 GitHub 实际 agent 框架是否符合此栈描述；对比 CrewAI、LangGraph 等框架在栈中的位置

2. The 2026 Path to Learning AI Agents — AI Agents Simplified

• URL: https://aiagentssimplified.substack.com/p/the-2026-path-to-learning-ai-agents
• 作者/专栏: AI Agents Simplified
• 核心观点摘要:
• 系统设计：编排 LLM、工具、数据库和子 agent，如同后端架构
• 工具与契约设计：精确输入/输出 schema，防止 LLM 错误
• 检索工程：RAG basics、chunking、embeddings、re-ranking
• 可靠性工程：Retries、timeouts、backoffs、fallbacks、circuit breakers
• 工具链：CrewAI（多 agent 团队协作）、LangFlow（可视化原型）
• 可信度: 中高。实操性强，适合工程师学习路径
• 后续行动: 与 OWASP Agent 安全条目交叉验证

3. OWASP Top 10 Agents & AI Vulnerabilities (2026 Cheat Sheet) — Alex Ewelo

• URL: https://open.substack.com/pub/alexewerlof/p/owasp-top-10-ai-llm-agents
• 作者/专栏: Alex Ewelo (Open Substack)
• 核心观点摘要:
• LLM04 Data/Model Poisoning：攻击者污染训练数据或 RAG 上下文；缓解：加密验证数据集、对 RAG 文档零信任
• LLM05 Improper Output Handling：盲目执行 LLM 输出（如 eval()）；缓解：所有 LLM 输出视为敌对，沙箱执行
• LLM06 Excessive Agency：给 AI 过多权限；缓解：最小权限原则 + JIT 临时 token + HITL
• LLM07 System Prompt Leakage：系统提示含后端逻辑/密钥；缓解：密钥与提示分离，使用安全 vault
• LLM08 Vector/Embedding 弱点：利用语义搜索/RAG 架构；缓解：Vector DB 强制严格加密命名空间隔离
• LLM09 Misinformation：盲目信任 AI 幻觉；缓解：严格 RAG 接地 + 置信度评分 + 交叉验证
• 可信度: 高。OWASP 官方，2026 更新版
• 后续行动: 精读，与生产 Agent 落地安全 checklist 交叉验证

4. The 2026 Roadmap: Production AI/ML Systems — Jam with AI

• URL: https://jamwithai.substack.com/p/the-2026-roadmap-production-aiml
• 作者/专栏: Jam with AI (Shantanu Ladhwe / Shirin Khosravi)
• 核心观点摘要:
• RAG 评估：RAGAS、LLM-as-Judge；测量 faithfulness、relevance、quality
• Graph RAG：向量搜索找相似 chunks；Graph RAG 通过文档间关系连接信息，回答多跳问题
• Q2 2026 课程：AI Agents Course（2 月末/3 月初启动）+ RAG Continuation
• NLP Course: Zero to Fine-tuning（社区驱动，免费）
• RecSys with MLOps（Q3-Q4 2026）
• 社区：38,000 名 builders
• 可信度: 中高。课程路线图，非论文级严谨，但覆盖主流技术
• 后续行动: 关注课程上线，评估实验代码质量

5. LLM Evaluation: Frameworks, Metrics, and Best Practices (2026 Edition) — FutureAGI

• URL: https://futureagi.substack.com/p/llm-evaluation-frameworks-metrics
• 作者/专栏: FutureAGI
• 核心观点摘要:
• Arize AI：企业级平台，专 specialized evaluators 检测幻觉、QA、relevance
• MLflow：开源统一评估，支持 RAG 指标和 LLM-as-Judge
• Patronus AI： hallucination detection + custom rubric scoring + safety checks + format validation；91% 人工判断一致性
• 组件级评估：AI agents、RAG、chatbot、foundational model 的评估指标各不相同，需补充用例级指标
• Maxim：端到端 LLM 评估平台，多级 tracing（session → operation → function span）
• 可信度: 中。平台评测，缺乏独立 benchmark 验证
• 后续行动: 建议用公开数据集独立验证 Patronus AI 和 Arize 的 claims

三、低价值 / 过滤条目

四、分类标签

RAG Agentic-RAG Graph-RAG LLM-评估 vLLM SGLang Qwen3 DeepSeek MoE 多模态 AI-Security OWASP LangGraph CrewAI PyTorch LLM-Agent-Stacks

五、建议写入路径

主要草稿路径： - /shared/research-kb/inbox/jay/2026-09-10-csdn-substack-rag-inference-agent-2026.md（本文件）

关联待更新主题页/精读队列： - RAG-2026-演进 主题页：收录 RAG 四范式演进内容 - Agentic-RAG 专题：Graph-RAG + Agentic RAG + 记忆系统 - AI-Agent-Security 专题：OWASP Top 10 Agents 2026

六、行动建议