知识库与 RAG 技术周报：向量数据库持续进化，Agentic RAG 成为新焦点

本期要点：Milvus 3.0.1 正式发布、Weaviate 1.39 推出 Boost API、Qdrant 发布百亿级向量测试数据集、GraphRAG 研究迎来新突破、LangChain 推出 LangSmith Fleet 统一智能体平台。

一、总览

进入 2026 年第三季度末，知识库与检索增强生成（RAG）领域继续保持高速发展态势。向量数据库方面，Milvus、Weaviate、Qdrant 等主流产品均在近期发布重要更新，性能与功能持续迭代。RAG 框架层面，LangChain、Dify、RAGFlow 等平台纷纷向 Agentic RAG 演进，强调自主推理与多轮检索能力。学术研究领域，GraphRAG 和多模态 RAG 成为热点方向，多项新成果在 arXiv 上发布。整体来看，RAG 技术正从「单轮检索+生成」的 1.0 模式，加速向「多智能体协作+知识图谱+多模态」的 2.0 时代迈进。

二、向量数据库：性能与功能双线并进

2.1 Milvus 3.0.1 正式发布，生态持续完善

发布方：Zilliz（Milvus 母公司）
发布时间：2026 年 9 月 9 日

Milvus 于 9 月 9 日正式发布 v3.0.1 版本，这是继 Milvus 3.0 大版本之后的首次重要更新。本次发布同步更新了 Python SDK（v3.0.1）、Node.js SDK（v3.0.5）、Java SDK（v3.0.9）和 Go SDK（v3.0.1），标志着 Milvus 全语言 SDK 生态的协同推进。

核心亮点： - 全栈 SDK 同步更新，确保多语言开发体验一致 - 基于 Milvus 3.0 架构，在性能和稳定性上进一步优化 - Zilliz 同期推出 Vector Lakebase 产品，探索向量数据湖新形态，支持实时检索、交互式探索与批量分析在同一架构内统一运行

影响与意义：Milvus 作为开源向量数据库的领军者，其 3.x 系列的持续迭代反映了向量数据库从「专用检索组件」向「统一数据基础设施」演进的趋势。Vector Lakebase 的推出则意味着向量数据正在与数据湖架构深度融合，为企业级大规模 AI 应用提供更灵活的数据底座。

2.2 Weaviate 1.39 发布：Boost API 与 MMR 正式 GA

发布方：Weaviate
最新版本：v1.39

Weaviate 在近期发布的 1.39 版本中，将 Boost API 和 MMR（Maximal Marginal Relevance，最大边际相关性）多样性选择功能正式提升为 GA（General Availability）状态，同时预览了 4 位旋转量化（4-bit Rotational Quantization）技术，并推出实验性 Search REST API。

核心亮点： - Boost API 正式 GA：允许开发者在检索时对特定字段或属性施加权重增强，精准控制检索结果的相关性排序 - MMR 多样性选择 GA：在保证检索相关性的同时提升结果多样性，有效减少冗余信息 - 4-bit 旋转量化预览：进一步压缩向量存储体积，在内存有限的场景下实现更大规模的向量检索 - HFresh 磁盘向量索引与内置 MCP Server 转正：Weaviate 上一版本的实验特性已进入 GA 阶段 - 异步复制架构重构：集群级异步复制改为由单一调度器驱动，默认为开启状态

影响与意义：Boost API 和 MMR 的 GA 标志着向量检索正在从「纯相似度匹配」向「可控、可调的精准检索」进化。对于企业级知识库场景而言，能够灵活调整检索权重和多样性，直接影响 RAG 系统的回答质量和用户体验。

2.3 Qdrant 发布百亿级向量测试数据集，推动大规模 RAG 评测

发布方：Qdrant
数据集：Qdrant-FineWeb-10B

Qdrant 近期发布了用于超大规模 RAG 部署测试的工具集，其中最引人注目的是 Qdrant-FineWeb-10B 数据集——包含来自 FineWeb 数据集的 100 亿个文本文档及其向量表示。FineWeb 由 Hugging Face 发起，源自 96 个 CommonCrawl 清洗片段，总计 15 万亿 tokens，最初用于大语言模型训练。

核心亮点： - 100 亿级文档向量数据集，是目前公开可用的最大规模向量测试集之一 - 基于高质量 FineWeb 语料，数据分布接近真实互联网场景 - 配套测试工具，支持开发者验证 RAG 系统在超大规模下的性能表现

影响与意义：当前大多数 RAG 评测都是在百万级、千万级语料规模下进行的，而真实企业级应用往往需要处理数十亿甚至更多文档。Qdrant-FineWeb-10B 的发布填补了超大规模向量检索评测数据的空白，将推动整个行业向「十亿级知识库」时代迈进。同时，这也反映出 Qdrant 作为 Rust 编写的高性能向量数据库，正在通过极致性能路线构建差异化优势。

三、RAG 框架：Agentic RAG 成为行业共识

3.1 Dify 全面拥抱 Agentic RAG，推出 Agent Node 工作流

发布方：Dify
核心功能：Agent Node 工作流

Dify 近期在官方博客中详细阐述了其 Agentic RAG 战略。不同于传统「检索一次→生成一次」的单轮 RAG 模式，Dify 的 Agent Node 工作流允许智能体迭代式地分析用户意图、选择工具和信息源、重写查询语句、评估证据充分性，并在必要时重试或降级处理。

核心亮点： - 知识库支持本地文档、结构化文件、网页、Notion 等在线源，以及通过 API 连接外部知识库 - 支持元数据过滤、节点级检索设置、Rerank 重排与加权评分 - 新增视觉标记知识库（vision-marked knowledge bases），支持跨模态检索 - 单应用支持接入多个知识库 - 推荐使用 Parent-child 分块模式提升检索精度

影响与意义：Dify 作为低代码 AI 应用开发平台的代表，其向 Agentic RAG 的转型具有风向标意义。对于开发者而言，Agentic RAG 虽然带来了更高的延迟和成本，但在复杂问题场景下的回答可靠性和溯源能力显著提升。这一趋势预示着 RAG 正在从「检索插件」升级为「推理引擎」。

3.2 LangChain 推出 LangSmith Fleet，统一智能体部署平台

发布方：LangChain
产品：LangSmith Fleet
发布时间：2026 年 9 月中旬

LangChain 在 9 月 14 日的最新更新中，正式推出 LangSmith Fleet，取代原有的 Agent Builder，成为部署和管理大规模智能体应用的统一平台。这是 LangChain 生态在从 RAG 向 Agent 演进过程中的重要一步。

核心亮点： - 统一平台：将智能体构建、部署、监控、管理整合到一个平台中 - 规模化支持：面向企业级大规模智能体应用场景 - 与 LangChain 生态深度集成：无缝衔接 LangChain 的 RAG 工具链和组件库

影响与意义：LangChain 作为 RAG 框架的先行者，其战略重心从「链式编排」向「智能体舰队管理」转移，清晰地反映了行业发展方向。随着 Agentic RAG 的普及，企业需要管理的不再是单个 RAG 管道，而是一群协同工作的智能体。LangSmith Fleet 的出现正是为了解决这一管理难题。

3.3 RAGFlow 0.26：API 重构与增量数据源

发布方：RAGFlow
最新版本：v0.26.2（2026 年 6 月 29 日）

RAGFlow 在 0.26 版本中完成了 API 层与模型提供方的重构，并新增增量数据源支持。最新的 0.26.2 版本进一步集成了 WhatsApp、钉钉、企业微信等多渠道聊天接入能力。

核心亮点： - API 重构与模型提供方解耦，支持更灵活的模型切换 - 增量数据源：支持数据源的自动同步与增量更新 - 多渠道接入：WhatsApp（二维码扫描）、钉钉（机器人 API）、企业微信（WebSocket 连接） - 文件解析增强：新增 PP-OCRv6 等文本识别模型的 fallback 逻辑

影响与意义：RAGFlow 的快速迭代（几乎每周更新）反映了开源 RAG 框架领域的激烈竞争。多渠道接入能力的增强，意味着 RAG 系统正在从「后台组件」走向「前台交互入口」，直接服务于终端用户。

四、前沿研究：GraphRAG 与多模态 RAG 持续突破

4.1 EvoGraph-R1：自进化的多模态知识超图

研究机构：arXiv (2607.12764)
发布时间：2026 年 7 月

研究者提出了 EvoGraph-R1，一个自进化的 GraphRAG 框架，将知识图谱重新概念化为由智能体交互塑造的动态环境。该框架将检索建模为马尔可夫决策过程（MDP），智能体可以观察图谱状态并执行以下操作：图检索（GraphRetrieve）、网络搜索扩展（WebSearch）、图谱编辑精炼（GraphEdit）或终止回答（Answer）。

核心亮点： - 知识图谱不再是静态索引，而是随智能体交互动态进化的「活」结构 - 四种动作构成完整的推理闭环，支持多跳推理和知识扩展 - 反馈信号指导后续检索，形成自学习闭环

影响与意义：传统 GraphRAG 的知识图谱是预先构建、静态不变的，而 EvoGraph-R1 提出的自进化范式彻底改变了这一模式。对于需要处理开放域、动态知识的企业知识库场景，这种自进化知识图谱具有重要的应用前景。

4.2 HVM-GraphRAG：面向复杂文档的全局视角多模态图检索

研究机构：arXiv
发布时间：2026 年 7 月

HVM-GraphRAG（Holistic-View Multimodal Graph RAG） 提出了一种全局视角指导的图谱构建方法，旨在解决复杂文档（包含文本、图片、表格等多种模态）中的图检索问题。通过全局视角引导图谱构建，有效减少了噪声和冲突的图更新，并建立了概念级图节点与多模态文档块之间的可靠索引。

核心亮点： - 全局视角（Holistic View）指导图谱构建，减少噪声 - 支持复杂文档中的多模态内容统一检索 - 概念级图节点与多模态块之间的可靠索引映射

影响与意义：企业知识库中大量存在包含图表、图片、表格的复杂文档（如技术手册、研究报告、财务报表等），传统 RAG 难以有效处理这些多模态内容。HVM-GraphRAG 为多模态企业知识库提供了新的技术路径。

4.3 GraMRAG：图记忆引导的多智能体 RAG 框架

研究机构：arXiv (2609.14066)
发布时间：2026 年 9 月

GraMRAG 提出了一种图记忆引导的多智能体 RAG 框架，通过动态多模态记忆图实现稳定的多步多模态推理。该框架引入了视觉-文本桥接推理范式，统一处理多模态知识的检索与推理过程，并结合强化学习优化智能体的推理路径。

核心亮点： - 动态多模态记忆图，支持跨模态知识的结构化存储 - 多智能体协作推理，深度优于单智能体系统 - 强化学习优化推理路径，提升复杂问题的回答准确率

影响与意义：GraMRAG 代表了 GraphRAG + Multi-Agent + Multimodal 三大趋势的交汇。这一研究方向预示着下一代 RAG 系统将是「图结构记忆 + 多智能体协作 + 多模态理解」的综合体，能够处理更加复杂的知识密集型任务。

五、趋势总结与展望

回顾近期知识库与 RAG 领域的发展，可以清晰地看到以下几条核心趋势：

1. 向量数据库向「统一数据基础设施」演进：Milvus、Weaviate、Qdrant 等产品不再满足于单纯的向量检索，而是向数据湖融合、混合检索、量化压缩等方向扩展，目标是成为 AI 时代的核心数据底座。

2. Agentic RAG 成为行业共识：从 Dify 的 Agent Node 到 LangChain 的 LangSmith Fleet，再到学术界的 GRAPHSEARCH 和 GraMRAG，整个行业都在从「单轮检索」向「多轮推理+智能体协作」升级。RAG 正在从「给 LLM 配个搜索引擎」进化为「让智能体自主管理和运用知识」。

3. GraphRAG 持续升温，走向动态化与多模态：GraphRAG 不再局限于静态知识图谱的检索，而是向自进化（EvoGraph-R1）、多模态（HVM-GraphRAG）、多智能体（GraMRAG）等方向深化。知识图谱正从「索引结构」转变为「记忆系统」。

4. 多模态 RAG 从概念走向实践：Dify 的视觉知识库、HVM-GraphRAG 的复杂文档处理、GraMRAG 的视觉-文本桥接推理，都表明多模态 RAG 正在走出实验室，进入实际应用场景。

展望未来：随着大模型能力的持续提升和向量数据库的不断进化，RAG 系统将变得更加智能、更加自主。企业知识库不再是被动的「问答工具」，而是主动的「知识助理」——能够理解复杂问题、自主规划检索路径、整合多源信息、甚至持续学习和进化。下一个阶段的竞争焦点，将是「谁能构建出最聪明的知识智能体」。

数据来源

• Milvus 官方文档：https://milvus.io/docs/zh/release_notes.md
• Weaviate 官方博客：https://weaviate.io/blog.html
• Qdrant 官方文档与 Le Mag IT 报道：https://www.lemagit.fr/actualites/366649943/10-milliards-de-vecteurs-Qdrant-libere-des-outils-pour-tester-les-deploiements-RAG-a-tres-grande-echelle
• Dify 官方博客：https://dify.ai/blog
• LangChain 更新日志：https://releases.sh/langchain/langchain-changelog.md
• RAGFlow 官方博客与文档：https://ragflow.io/blog
• arXiv 论文：2607.12764 (EvoGraph-R1)、2609.14066 (GraMRAG)、HVM-GraphRAG
• Zilliz 博客：https://zilliz.com.cn/blog
• Datacamp 向量数据库指南：https://www.datacamp.com/hi/blog/the-top-5-vector-databases