过去一周，检索增强生成（RAG）与知识库技术持续升温：专用向量数据库走向「无服务器 + 千亿级」、开源 RAG 引擎加速 Agent 化与图谱化、多模态文档检索进入工程落地阶段。本文梳理 5 条最值得关注的动态。

总览

2026 年 9 月第二周，知识库/RAG 领域的演进呈现出三条清晰主线。其一是基础设施的「傻瓜化」：传统搜索厂商开始直接面向 AI Agent 推出专用向量数据库，把向量存储、检索与 RAG 整合进一个平台；其二是检索范式的「Agent 化与图谱化」：从一次性「检索-生成」升级为可迭代、可规划、可溯源的多步 Agentic RAG，知识图谱（GraphRAG）成为标配能力；其三是多模态检索的「工程成熟」：以 ColPali/ColQwen 为代表的视觉检索方案在 2026 年被大规模采用，配套工具链与评测基准进一步完善。

动态一：Elastic 发布 Elasticsearch Vector Database，直指千亿级向量检索

9 月 11 日，Elastic 正式推出一款专用向量数据库——Elasticsearch Vector Database，运行于 Elastic Cloud Serverless 之上，主打「从文档嵌入到向量存储与检索」的一站式能力。

这款产品的核心卖点在于规模：官方宣称可支撑数百亿乃至千亿级向量的检索，目标场景正是 RAG 与 AI Agent 应用。过去企业要自建 RAG，往往需要在向量数据库、嵌入模型、检索服务之间手工拼接，Elastic 将这条链路收敛到同一平台，显著降低了 AI 基础设施的搭建门槛。

影响与意义：传统企业搜索巨头正式切入专用向量数据库赛道，意味着 RAG 基础设施的竞争从「初创公司 vs 开源项目」升级为「成熟厂商之间的平台之争」。对用户而言，选择变多，但也要警惕单一平台锁定。

动态二：RAGFlow v0.27.2 发布，Agentic RAG 与知识图谱全面增强

9 月 11 日，国产开源 RAG 引擎 RAGFlow 发布 v0.27.2 版本。本次更新围绕 Agentic RAG 性能跃升、知识编译、知识图谱、OCR 与连接器几个方向展开。

RAGFlow 主打「开箱即用的企业级 RAG」，自研 DeepDoc 深度文档解析内核，支持多格式文档处理、向量 + 关键词混合检索、答案自动标注溯源。v0.27.2 进一步强化了文档级与数据集级的「知识编译」能力，可生成 Wiki、图谱、树、页面索引、思维导图、时间线等多种知识形态，并新增 MCP 工具以打通外部智能体调用。

影响与意义：开源 RAG 引擎正在从「检索管道」演进为「知识中台」，把知识结构化、可编排、可被 Agent 消费作为核心能力。这代表了 RAG 2.0 的方向：不再追求单一的「召回到位」，而是追求知识的「编译与组织」。

动态三：GraphRAG 生态加速成熟，轻量实现大受欢迎

基于知识图谱的 GraphRAG 在本周继续保持高热度。香港大学推出的 LightRAG 目前 GitHub 星标已超 3.7 万，最新版本 v1.5.4，主打「简单、快速」，无需 Neo4j 等外部图数据库，默认基于文件存储即可构建知识图谱并支持本地与大模型双路查询。

与此同时，ApeRAG 等项目将 GraphRAG 推向「生产可用」：支持多模态索引、AI Agent、MCP 集成与 K8s 弹性部署；nano-graphrag 则以极简、可 hack 的 Python 实现降低了学习门槛。

影响与意义：GraphRAG 从「论文级创新」走向「工程化落地」，轻量、无外部依赖的实现让中小团队也能快速引入图谱检索，解决纯向量检索在多跳推理、全局关系理解上的短板。

动态四：多模态 RAG 进入工程落地期，视觉检索成标配

多模态/视觉文档检索成为 2026 年 RAG 领域最活跃的方向之一。以 ColPali（ICLR 2025）为代表的「晚交互」（Late Interaction）方案在 2026 年被大规模采用——它跳过 OCR 与版面解析，将 PDF 页面直接渲染为高清图像后送入视觉语言模型生成 patch 级嵌入，让模型「像人一样看文档」。

本周值得关注的新进展包括：

• Visual RAG Toolkit：通过免训练的静态空间池化与多阶段检索，将多向量视觉检索的向量规模二次方压缩，配合 MaxSim 重排，兼顾速度与精度。
• MIDR：面向多模态文档检索的「增强索引」方法，在 ViDoRe V3 上平均 nDCG@10 达 0.6219，较原始 BM25 基线相对提升 23.0%。
• 评测基准方面，ViDoRe-v1 已趋于饱和（约 89 nDCG@5），ViDoRe-v2/v3 成为区分 2025–2026 系统的主战场，ColQwen2.5-v0.2（基于 Qwen2.5-VL）等新模型持续刷新榜单。

影响与意义：纯文本 RAG 正在向「全模态知识库」扩展。对金融报表、技术手册、演示文稿等图文混排文档，视觉检索已从「可选项」变成「必备项」，但高维多向量带来的存储与算力成本仍是落地瓶颈。

动态五：Dify 原生集成 MongoDB Atlas 与 Voyage AI，Agentic RAG 开箱即用

低代码 LLMOps 平台 Dify 本周宣布，MongoDB Atlas 与 Voyage AI 成为 Dify RAG 工作流的原生组件。借助 Agent Node 工作流，Dify 可直接构建 Agentic RAG：与一次性「检索-生成」不同，Agent 会迭代地分析意图、选择工具与数据源、改写查询，从而在真实业务数据上「边检索、边推理、边行动」。

影响与意义：这标志着 Agentic RAG 从概念走向「低代码配置化」。企业无需从零拼接 RAG 基础设施，即可让智能体在私有数据之上完成更复杂的多步任务，进一步压缩了从想法到生产的时间。

趋势总结与展望

综合本周动态，可以归纳出三点判断：

1. RAG 正在「平台化」与「产品化」：无论是 Elastic 的专用向量库，还是 RAGFlow、Dify 的开源引擎，都在把复杂的检索链路收敛成「一条命令/一个配置」即可上线的能力。
2. 检索范式升级为 Agentic + Graph：Agent 的主动规划、工具调用与可溯源图谱，正在取代朴素的「Top-K 召回 + 上下文拼接」。
3. 多模态是下一个主战场：视觉检索、图文混合知识库的工程化工具链正在迅速补齐，评测也从单一基准走向更细分的 ViDoRe v2/v3。

展望未来半年，随着「推理增强」与「检索增强」进一步融合，我们有理由相信：知识库将不再是「附加组件」，而是智能体认知体系真正的「长期记忆层」。

数据来源

• Elastic 发布 Elasticsearch Vector Database（tokenpost / CoinDesk 相关报道）
• RAGFlow 官方 Release Notes 与 v0.27.2 发布信息
• LightRAG（HKUDS）、ApeRAG、nano-graphrag 等 GraphRAG 开源项目
• Visual RAG Toolkit、MIDR 等 arXiv 论文与 ViDoRe 评测基准
• Dify 官方博客（MongoDB Atlas 与 Voyage AI 原生集成）