CSDN 高价值技术分享 · 周频检索

检索时间： 2026-09-11 12:20 (UTC+8) 执行实例： Jay 本次主题： RAG + LLM 系统优化 / AI Agent 工程实践 / 模型部署

一、RAG 技术栈（高价值条目）

1.1 检索增强生成（RAG）技术概述

作者/来源： developeraa · CSDN博客
链接： https://blog.csdn.net/developeraa/article/details/148135114
发布时间： 2026-01-02（最新推荐）
可信度： ⭐⭐⭐⭐ 中高
核心观点：
RAG = 检索 + 增强 + 生成，解决 LLM 幻觉、知识时效、私有数据三大痛点
核心架构：检索模块（双塔模型/BM25）+ 生成模块（LLM）+ 知识库
提及 RAPTOR 层次化检索、RAG Fusion、Step-Back Prompting 等进阶模式
框架：LangChain、LlamaIndex、RAGFlow
工程价值： 概念框架梳理完整，适合入门索引
复现价值： 低（偏概述，无具体代码）
建议分类： RAG基础 / 概念梳理

1.2 一文读懂 2025 年检索增强生成 RAG 开发技术栈

作者/来源： Z987421 · CSDN博客
链接： https://blog.csdn.net/Z987421/article/details/148583163
发布时间： 2025-06-04
可信度： ⭐⭐⭐⭐ 中高
核心观点：
2025年 RAG 技术栈全景图：向量数据库（FAISS/Pinecone/Milvus）+ Embedding + 框架（Haystack/LangChain）
多路召回、混合检索、重排序（Cohere/bge-reranker）是工程关键
LLM 提供商可插拔设计的重要性
端到端 RAG 评估体系：Hit Rate@K、NDCG@K
工程价值： 高 - 完整技术栈图谱，适合架构选型参考
复现价值： 中（技术栈梳理，需进一步查官方文档）
建议分类： RAG工程 / 技术栈

1.3 RAG 检索增强技术之迭代增强（Iterative RAG）

作者/来源： zishuijing_dd · CSDN博客
链接： https://blog.csdn.net/zishuijing_dd/article/details/147759520
发布时间： 2025-12-20（最新推荐）
可信度： ⭐⭐⭐⭐ 中高
核心观点：
迭代增强 = 多轮 "检索 → 增强 → 生成" 循环
每轮从答案中提取子问题/关键词用于下一轮检索
伪代码示例：使用 LangChain + Qwen 实现
适用场景：复杂多跳问答、深度研究
工程价值： 高 - 有伪代码和实现逻辑
复现价值： 中高（有逻辑示例，需适配自己的向量库和 LLM）
建议分类： RAG进阶 / 迭代检索

1.4 SpringBoot 整合 LangChain4j 实现 RAG（检索增强生成）

作者/来源： m0_71741473 · CSDN博客
链接： https://blog.csdn.net/m0_71741473/article/details/148499407
发布时间： 2025-06-08
可信度： ⭐⭐⭐⭐ 中
核心观点：
Java 生态（SpringBoot + LangChain4j）实现 RAG
使用 Elasticsearch 8.15.5 作为向量存储
实战代码：文档分块 → 嵌入 → 存储 → 查询 → 生成
支持流式输出和多索引分别查询
环境依赖： Elasticsearch 8.15.5、LangChain4j、OpenAI/阿里百炼
工程价值： 高 - Java 生态工程实践
复现价值： 高（完整代码示例，有版本号）
建议分类： RAG工程 / Java生态 / SpringBoot

1.5 Spring AI 实现 RAG 详解与实践

作者/来源： beiduofen2011 · CSDN博客
链接： https://blog.csdn.net/beiduofen2011/article/details/155713481
发布时间： 2025-12-08
可信度： ⭐⭐⭐⭐ 中
核心观点：
Spring AI 2.0 框架下的 RAG 实现
支持 pgvector、Chroma 等多种向量数据库
PDF 文档解析集成
代码示例：pom.xml 依赖 + Controller 层实现
工程价值： 高 - Spring AI 2.0 新版实践
复现价值： 高（有完整依赖配置和代码）
建议分类： RAG工程 / Spring AI / Java生态

二、AI Agent 工程实践（高价值条目）

2.1 AI Agent 从概念到工程：2026年大模型落地实践指南（收藏版）

作者/来源： 程序员小猴紫 · CSDN博客
链接： https://blog.csdn.net/m0_74942241/article/details/158354823
发布时间： 2026-02-24
可信度： ⭐⭐⭐⭐⭐ 高（系统梳理，2026年最新）
核心观点：
Agent 三年发展史（2023-2026）：概念验证 → 能力提升 → 工程化实践
2026年生态：Claude Opus 4.6（SWE-Bench Pro 56.8%）、GPT-5.3-Codex、OpenClaw（216k Star）
工程化核心要素：组织架构设计、协作机制、质量保障、成本控制
典型案例：Agent Society（Gitee）多智能体协作项目
技术架构分层：LLM → 智能体封装 → 协作机制 → 组织架构 → 扩展模块
工程价值： 极高 - 系统性工程化指南
复现价值： 中高（有项目地址和配置示例）
建议分类： AIAgent / 工程实践 / 2026前沿

2.2 GPT-5.5 + Codex 工作流：从代码生成到浏览器自动化的 AI Coding Agent 实战

作者/来源： 薛定猫dei鳄鱼 · AtomGit（GitCode）
链接： https://gitcode.csdn.net/69f374860a2f6a37c5a71319.html
发布时间： 2026-03-31
可信度： ⭐⭐⭐⭐⭐ 高
核心观点：
Spec-driven Workflow：先规划再编码，降低 AI 生成代码随机性
沙箱执行：AI Agent 系统安全边界设计
浏览器自动化闭环：需求理解 → 实现计划 → 代码修改 → 自动化测试 → 日志分析 → 修复回归
Python 示例：OpenAI 兼容接口 + claude-opus-4-6 规划器
工程价值： 高 - AI Coding Agent 工程链路完整
复现价值： 高（有可运行代码示例）
建议分类： AIAgent / AI Coding / Codex / 工程实践

2.3 Claude Code vs Codex vs Cursor：AI 编程工具深度对比

作者/来源： vip_tag · CSDN博客
链接： https://blog.csdn.net/a309220728/article/details/158382621
发布时间： 2026-03-28
可信度： ⭐⭐⭐⭐ 中高
核心观点：
定位对比：Claude Code（终端级 AI Agent / 最强工程推理）vs ChatGPT Codex（通用 AI Agent / 工具生态最强）
真实评测维度：代码能力、Agent 能力、大项目支持、编辑体验、稳定性
Claude Code 在 SWE-Bench 评测领先
Cursor 适合 IDE 深度集成
工程价值： 中高 - 工具选型参考
复现价值： 低（对比评测，非实操）
建议分类： AIAgent / 工具评测 / Claude Code

2.4 LangChain 1.0 实战：NL2SQL 数据分析 Agent

作者/来源： 赋范大模型技术社区 · DevPress
链接： https://devpress.csdn.net/aibjcy/690d994182fbe0098ca93d71.html
发布时间： 2025-11-07
可信度： ⭐⭐⭐⭐ 中高
核心观点：
NL2SQL = 自然语言转 SQL，降低数据库查询门槛
框架对比：Vanna（轻量）、DB-GPT（企业级，含 AWEL 工作流引擎）
LangChain 1.0 ReAct Agent 架构实现
架构图：React前端 → FastAPI后端 → LangChain SQL Agent → SQLite/CSV
核心类：SQLAgentManager（封装 LangChain SQL Agent 逻辑）
工程价值： 高 - NL2SQL 完整工程实践
复现价值： 高（有架构图和核心代码逻辑）
建议分类： AIAgent / NL2SQL / LangChain / 数据分析

2.5 Claude Code 源码深度解析系列

作者/来源： 多位博主（CSDN）
代表链接：
https://blog.csdn.net/zhangmeijia5/article/details/160136677（系统主循环与 Agent Loop）
https://blog.csdn.net/qhvssonic（宇擎智脑科技，系列专栏）
发布时间： 2025-2026
可信度： ⭐⭐⭐⭐⭐ 高（源码级分析）
核心观点：
Claude Code Agent Loop = 双层循环架构（外层：会话生命周期 / 内层：单次查询任务）
7种 Continue Sites 实现自动错误恢复
4级渐进式上下文压缩流水线
7层安全防御体系（Shell 命令执行）
分层多 Agent 架构：主 Agent + SubAgent
记忆系统：无 Embedding/向量库，使用 ripgrep + 压缩算法
工具集 66+ 内置工具统一接口
工程价值： 极高 - 工业级 Agent 系统揭秘
复现价值： 高（源码级解析，30个研究方向）
建议分类： AIAgent / Claude Code / 源码分析 / 架构设计

2.6 Claude Code 源码分析与实践专栏（claw-code）

作者/来源： cui_yonghua · AtomGit
链接： https://gitcode.csdn.net/69db806154b52172bc68f423.html
发布时间： 2026年
可信度： ⭐⭐⭐⭐⭐ 高
核心观点：
claw-code = Claude Code 的 Python+Rust 移植工作区
30个研究方向：Harness/清单、QueryEnginePort、Turn Loop、权限设计、Transcript/Session Store、Compaction 压缩、Command Graph、Tool Pool、Hooks+Plugins+Skills 等
重点模块：API Client 抽象（多提供商/OAuth/流式响应统一接口）
工程价值： 极高 - 工业级 Agent 工程实践
复现价值： 高（30个可切入研究方向）
建议分类： AIAgent / Claude Code / 源码分析 / claw-code

三、模型部署优化（高价值条目）

3.1 PyTorch → ONNX → TensorRT：模型转换实战全流程与踩坑指南

作者/来源： sinat_28461591 · CSDN博客
链接： https://blog.csdn.net/sinat_28461591/article/details/147152968
发布时间： 2025-04-27
可信度： ⭐⭐⭐⭐⭐ 高
核心观点：
完整转换流程：PyTorch → ONNX（torch.onnx.export）→ TensorRT（trtexec / Python API）
常见踩坑点：动态轴问题、opset 版本不兼容、算子不支持
排障方法：ONNX 模型可视化（Netron）、tensorrt raise exception 定位
性能收益：BERT-base PyTorch 50ms → ONNX 20ms → TensorRT 5ms
环境依赖： CUDA、TensorRT、ONNX、PyTorch（具体版本需查原文）
工程价值： 高 - 实战排坑指南
复现价值： 高（有完整流程和排障方法）
建议分类： 模型部署 / TensorRT / ONNX / PyTorch / 排障

3.2 从 PyTorch 到 TensorRT：大模型高效部署的 7 大陷阱与避坑指南

作者/来源： FastSolve · 码道开发者社区
链接： https://codearts.csdn.net/6a92d8b82b83d06f0ec988a3.html
发布时间： 2025-2026
可信度： ⭐⭐⭐⭐ 中高
核心观点：
7大陷阱：ONNX导出不兼容、动态shape处理、算子融合失败、显存溢出、量化精度损失、INT8校准失败、多实例部署冲突
算子融合与内核自动调优原理
NVIDIA Triton Inference Server 多实例管理配置
性能对比：PyTorch FP32 120ms vs TensorRT FP16 45ms（吞吐量 8.3→22.2 samples/s）
工程价值： 高 - 系统性避坑指南
复现价值： 高（有完整命令和配置示例）
建议分类： 模型部署 / TensorRT / 大模型 / 排障

3.3 ONNX Runtime vs TensorRT：谁才是大模型推理的王者？

作者/来源： ADG · CSDN博客
链接： https://adg.csdn.net/69524fa15b9f5f31781b7d3e.html
发布时间： 2025
可信度： ⭐⭐⭐⭐ 中
核心观点：
TensorRT：NVIDIA GPU 最优，延迟最低，但平台锁定
ONNX Runtime：跨平台支持好，多框架兼容，部署灵活性高
选型建议：追求极致性能用 TensorRT，多平台部署用 ONNX Runtime
工程价值： 中高 - 选型参考
复现价值： 低（对比分析，非实操）
建议分类： 模型部署 / TensorRT / ONNX Runtime / 选型

四、本次分类标签汇总

标签	条目数
RAG工程	5
AIAgent	6
模型部署	3
源码分析	2
Java生态	2
工具评测	1
排障经验	2

五、建议精读/审稿条目

优先级	条目	理由
⭐⭐⭐⭐⭐ 精读	Claude Code 源码深度解析系列	工业级 Agent 系统揭秘，30个研究方向
⭐⭐⭐⭐⭐ 精读	AI Agent 从概念到工程：2026年实践指南	2026最新工程化系统性总结
⭐⭐⭐⭐ 精读	GPT-5.5 + Codex 工作流实战	AI Coding Agent 完整工程链路
⭐⭐⭐⭐ 审稿	RAG 迭代增强 + Spring AI RAG 实战	Java生态 RAG 工程细节
⭐⭐⭐ 审稿	PyTorch→TensorRT 全流程踩坑指南	模型部署排障经验

六、后续行动建议

RAG 工程实践：优先验证 SpringBoot+LangChain4j 或 Spring AI 2.0 RAG 示例（版本明确：Elasticsearch 8.15.5）
AI Agent 架构：深入研究 Claude Code 源码解析系列，理解工业级 Agent Loop 设计
模型部署：验证 PyTorch→ONNX→TensorRT 转换流程，重点关注踩坑指南中的 7 大陷阱
工具选型：Claude Code vs Codex vs Cursor 对比，结合自身场景做选型决策

草稿完成时间： 2026-09-11 12:25 (UTC+8) 撰写实例： Jay