知识库与 RAG 技术周报：100亿向量基准、LangChain MCP 原生支持与自进化 GraphRAG

总览

进入 2026 年 9 月，知识库与 RAG（检索增强生成）领域迎来多项重磅技术进展。向量数据库方面，Qdrant 发布了迄今最大规模的 100 亿向量开源基准测试，直接挑战行业内"注水"的性能宣称；RAG 框架阵营中，LangChain v1.4.0 正式将 MCP（Model Context Protocol）支持内置于核心库，标志着 Agent 工具调用标准化进入新阶段；学术前沿则涌现出 EvoGraph-R1 等自进化多模态知识超图框架，让 GraphRAG 从静态图谱走向动态交互。与此同时，Google Gemini API 推出文件搜索工具，将 RAG 进一步托管化、平民化，而无向量推理检索（Vectorless RAG）也在 GitHub 上引发广泛关注。本期周报将带您逐一盘点这些技术动态，并分析其对知识库领域的深远影响。

一、Qdrant 发布 100 亿向量开源基准，挑战行业"注水"性能宣称

事件概述

2026 年 9 月 1 日，向量数据库厂商 Qdrant 正式发布 Qdrant-FineWeb-10B——迄今为止规模最大的开源向量搜索基准测试数据集。该数据集包含 100.7 亿个稠密向量和 100.7 亿个稀疏向量，总向量数据量达 24.47 TB，源文本及元数据达 28.66 TB。Qdrant 还为 10 万个查询计算了精确的 top-1000 基准真值（ground truth），据称这一过程需要超过 1 千万亿次距离计算。

核心亮点

1. 真实生产级规模：当前大多数公开向量数据库基准测试仅在数千万到数亿向量规模上运行，比企业实际生产环境（完整产品目录、文档语料库）低几个数量级。Qdrant-FineWeb-10B 直接弥合了基准测试与真实生产需求之间的差距。

2. 完全开源可复现：与许多依赖封闭托管服务、合成数据和隐藏查询集的基准不同，Qdrant 将完整数据集和基准真值全部公开，任何团队都可以独立验证和复现测试结果。

3. 配套基准测试框架 Supernova：Qdrant 同步发布了开源基准测试框架 Supernova，涵盖嵌入生成、基准真值计算、数据库加载和评估四个阶段。该框架与 Vultr、SkyPilot 和 Hugging Face 合作构建，确保其他团队也能完整复现整个流水线。

4. 两大补充基准：除主数据集外，Qdrant 还发布了 PubMed-Multi-Vector（用于混合检索场景）和 Coyo-Vector-Embeddings（用于多模态搜索），填补了当前公共基准在多模态、混合检索方面的空白。

影响与意义

Qdrant 此次发布的核心诉求是挑战向量数据库行业的"营销基准"乱象。该公司指出，许多厂商在合成 RAG 基准上宣称"90% recall@10"，但真实企业搜索和推荐场景往往需要 top-1000 甚至更多候选结果，且要求 95% 以上的召回率、高吞吐量和 p99 延迟低于 100 毫秒。这种"营销数字"与"生产需求"之间的鸿沟，正是采购决策频频出错的根源。

对于企业用户而言，这一基准的发布意味着：从此评估向量数据库有了一把可信的标尺。无论选择 Qdrant、Pinecone、Weaviate、Milvus 还是云原生方案，采购团队都可以要求厂商在 Qdrant-FineWeb-10B 或同等规模的开放数据集上运行测试，而不再依赖厂商自己制作的对比图表。$TRAE_REF

二、LangChain v1.4.0 发布：MCP 原生内置，Agent 工具调用标准化

事件概述

2026 年 9 月 1 日，LangChain 发布 v1.4.0 版本，最重要的更新是将 MCP（Model Context Protocol）支持正式内置于 LangChain 核心库的 langchain.mcp 命名空间中，基于 FastMCP 构建。这一更新取代了此前独立的 langchain-mcp-adapters 包，用户只需通过 pip install "langchain[mcp]" 即可安装。

核心亮点

1. 统一适配器，多传输协议：MCPAdapter 可以从目标自动推断传输协议——支持 URL、本地脚本（通过 stdio）、进程内服务器、多服务器配置（MCPConfig），甚至预构建的 fastmcp.Client。调用 await adapter.list_tools() 即可返回可直接用于 create_agent 的 LangChain 工具。

2. 中断驱动的人机交互：当 MCP 服务器在调用过程中请求用户输入时，MCPAdapter 会将问题作为 LangGraph 的 interrupt() 事件抛出，用户回答后运行自动恢复。这为需要人工确认的 Agent 工作流提供了原生支持。

3. 完整认证体系：通过 FastMCP 提供 Bearer Token、完整 OAuth 2.1（含动态客户端注册），以及任意 httpx.Auth 认证方式，包括部署中的按用户认证（per-user authentication）。

4. 与 LangGraph 深度集成：MCP 工具可以无缝接入 LangGraph 的 Agent 工作流，支持工具调用结果的流式输出、错误处理和状态管理。

影响与意义

MCP（Model Context Protocol）作为 Anthropic 推动的开放式工具调用协议，正在迅速成为 AI Agent 与外部工具交互的事实标准。LangChain 将 MCP 内置化，标志着 RAG 框架生态正在从"各自为政"的工具集成模式，向标准化、可互操作的工具调用协议演进。

对于开发者而言，这意味着： - 无需再为不同工具编写定制化适配器，只要符合 MCP 规范的工具都能一键接入 LangChain Agent - 企业内部已有的 MCP 工具服务可以直接被 LangChain 应用调用，大幅降低集成成本 - Agent 生态的工具可移植性显著提升，开发者不再被单一框架锁定

$TRAE_REF

三、EvoGraph-R1：自进化多模态知识超图，GraphRAG 迈入动态交互时代

事件概述

在 CVPR 2026 上，研究人员发表了 EvoGraph-R1 论文，提出了一种自进化的多模态知识超图框架，用于 Agentic 检索。该工作直指传统 GraphRAG 的三大瓶颈：文本中心的碎片化阻碍跨模态推理、冻结的图谱结构无法纳入新证据或纠正错误、僵化的单次检索缺乏自适应优化能力。

核心亮点

1. 知识图谱从"静态文档"变为"动态环境"：EvoGraph-R1 将知识图谱重新概念化为由 Agent 交互塑造的动态环境，而非从文档中一次性提取的静态结构。Agent 在检索过程中可以不断更新和修正图谱。

2. 多模态知识超图：不同于传统知识图谱的二元关系（实体-关系-实体），超图可以表示更高阶的多实体关联，且天然支持文本、图像等多模态信息的统一表示。

3. 自进化机制：随着 Agent 与知识库的交互增多，图谱结构会自动演化——新增实体、修正关系、补全证据，形成"检索-验证-更新"的闭环。

4. Agentic 检索范式：Agent 可以自主规划检索路径、迭代优化查询策略，而非被动接受单次检索结果。

影响与意义

EvoGraph-R1 代表了 GraphRAG 技术的一个重要演进方向：从"建索引"到"养知识"。传统 RAG 和 GraphRAG 都遵循"离线构建索引 → 在线检索"的静态范式，而 EvoGraph-R1 提出的自进化框架让知识库本身成为一个活的系统，能够随着使用不断自我完善。

这一方向如果能在工程上落地成熟，将深刻改变企业知识库的运维模式——知识不再是一次性导入后被动等待查询，而是在日常使用中持续进化和增值。对于知识密集型行业（如医疗、法律、科研），这种动态演进的知识系统价值尤为显著。$TRAE_REF

四、Google Gemini API 文件搜索工具：RAG 托管化再进一步

事件概述

Google 为 Gemini API 推出了文件搜索工具（File Search Tool），定位为全托管的 RAG 系统。用户只需上传私有文件，系统即可自动完成数据分块、嵌入生成、索引构建等全部流程，直接实现高效的检索增强生成。开发者无需再自行搭建和维护向量数据库。

核心亮点

1. 端到端自动化处理：从文件上传、文档解析、索引构建到检索生成，全程自动处理，开发者只需调用 API 即可获得 RAG 能力。

2. 零基础设施运维：企业无需部署和管理向量数据库、嵌入模型、文档处理管道等复杂组件，大幅降低 RAG 落地的技术门槛和运维成本。

3. 与 Gemini 生态深度整合：作为 Gemini API 的原生能力，文件搜索工具与 Gemini 的多模态理解、函数调用、代码执行等能力无缝协同。

影响与意义

Google 的这一举措延续了 RAG 技术的托管化（Managed RAG）趋势。从 OpenAI 的 Files API 到 Anthropic 的 MCP 工具生态，再到 Google 的 Gemini File Search，各大模型厂商都在将 RAG 从"开发者自己拼装的技术方案"变成"开箱即用的平台能力"。

这对不同类型的企业意味着不同的选择： - 中小企业和快速原型团队：托管式 RAG 是最优选择，可以快速验证业务价值，无需投入基础设施成本 - 大型企业和数据敏感行业：可能仍需要自建 RAG 栈以满足合规和数据安全要求，但托管方案可以作为非核心场景的补充 - RAG 框架和向量数据库厂商：面临来自模型厂商的"降维打击"压力，需要在差异化能力（如企业级治理、多模型支持、深度定制）上构建护城河

$TRAE_REF

五、无向量 RAG 兴起：PageIndex 用推理替代向量检索

事件概述

GitHub 上出现了一个引人注目的新项目 PageIndex，其定位是"面向无向量、基于推理的 RAG 的文档索引"（Document Index for Vectorless, Reasoning-based RAG）。该项目在 2026 年 9 月初频繁更新，已积累相当的关注度。

核心亮点

1. 无需向量嵌入：PageIndex 的核心思路是用大模型的推理能力直接理解和定位文档中的相关信息，而非依赖向量相似度匹配。

2. 面向 Agent 场景优化：项目标签中包含 ai-agents、agentic-ai、reasoning，表明其设计目标是服务于需要深度推理的 Agent 场景，而非简单的语义检索。

3. 上下文工程（Context Engineering）视角：项目将问题从"如何检索到相关片段"转化为"如何在上下文中组织和呈现信息，让模型能够最有效地推理"。

影响与意义

无向量 RAG（Vectorless RAG）的兴起，反映了 RAG 技术发展的一个有趣转向：随着模型上下文窗口不断扩大和推理能力持续增强，"检索"的定义本身正在被重新审视。

传统 RAG 的核心假设是：模型无法直接处理全部文档，因此需要先用向量检索筛选出最相关的片段，再送入模型生成答案。但当模型上下文窗口达到百万级 token、且推理成本持续下降时，这一假设的合理性正在减弱。

当然，向量检索在可扩展性、成本效率和精确匹配方面仍有不可替代的优势。无向量 RAG 更可能在以下场景中展现价值： - 文档规模中等（数万页以内）但推理复杂度高的场景 - 需要深度理解文档间逻辑关系的多跳推理 - 对检索召回率要求极高、不能遗漏任何相关信息的关键业务场景

$TRAE_REF

趋势总结与展望

回顾本周知识库与 RAG 领域的技术动态，我们可以清晰地看到几条并行演进的主线：

第一，基础设施走向标准化和透明化。 Qdrant 的 100 亿向量基准测试为向量数据库建立了生产级的评估标尺，有助于行业从"营销驱动"转向"实证驱动"。LangChain 内置 MCP 支持则标志着 Agent 工具调用协议的标准化进程加速。基础设施的成熟和透明，是整个知识库生态健康发展的基石。

第二，RAG 架构从静态向动态、从单模态向多模态、从检索向 Agentic 演进。 EvoGraph-R1 代表的自进化 GraphRAG 让知识库从"建好就不动"的索引系统，变成了能在使用中持续优化的活系统。多模态统一表示和 Agentic 检索则进一步拓展了 RAG 的能力边界。

第三，RAG 服务的两极分化日益明显。 一端是 Google Gemini File Search 为代表的托管式 RAG，不断降低使用门槛，让中小企业甚至个人开发者都能轻松用上 RAG；另一端是企业级自建 RAG 栈，在知识治理、安全合规、深度定制等方向持续深耕。两种模式各有其适用场景，将长期共存。

第四，"后向量检索"时代的探索已经开始。 PageIndex 等无向量 RAG 项目的出现，虽然尚处早期，但提示我们：向量检索并非 RAG 的唯一实现路径。随着模型能力的演进，RAG 的技术形态可能会发生根本性变化。当下关注和探索这些前沿方向，有助于企业在技术迭代中保持前瞻性。

总体而言，知识库与 RAG 技术正处于快速创新期，每周都有新的进展和突破。企业在选型和落地时，既要关注当下的技术成熟度和业务适配性，也要保持对技术演进方向的敏感度，构建能够持续进化的知识系统架构。

数据来源： - Qdrant 官方博客 & Bruno Digital 报道 - LangChain 官方更新日志 - CVPR 2026 论文 EvoGraph-R1 - Google AI 官方公告 - GitHub 开源社区趋势数据