总览

过去一周，检索增强生成（RAG）技术栈继续从“召回+拼接”的朴素范式，向“智能体化、多模态化、可治理化”方向快速演进。综合本周的动态，可以提炼出三个清晰的主线：其一，Agentic RAG 成为主流范式，从 Progress、Google 到各大开源框架，都在把“多步检索、自主规划、上下文确认”内建到生成流程里；其二，底层基础设施（向量数据库与嵌入模型）进入精细化选型阶段，亚马逊、OpenRouter 分别给出了面向具体场景的选型方法论；其三，安全与合规成为知识库落地的硬约束，国内首份《AI知识库安全建设与应用指南》的发布标志着行业从“能否用”转向“如何安全地用”。以下梳理本周最值得关注的动态。

动态一：Progress 强化 Agentic RAG 平台，打通企业知识共享层

企业 AI 基础设施厂商 Progress Software 近日为其 Agentic RAG 平台发布了重要更新，核心是构建一个共享的 Agentic Knowledge Layer（智能体知识层），把企业知识统一接入 AI 智能体与大模型的各类体验。

本次更新包含三个关键能力：

• 原生 Microsoft Teams 应用：让员工无需切换工具，直接在协作场景中触达企业知识库，降低使用门槛。
• Smart Agent 智能体：支持自主的多步检索，能够根据问题的复杂程度自行规划检索路径，而非简单地“一次检索一次生成”。
• WordPress 插件：改善内容的摄取、保真度与治理，方便把官网、博客等公开内容规范地纳入知识层。

影响与意义：Progress 的动作代表了 Agentic RAG 落地的一个重要信号——知识不再是一个“孤立的向量库”，而是通过统一的“知识层”被多种 AI 入口（聊天、Teams、网站）共享消费。这种“一次治理、多点复用”的架构，正在成为企业级 RAG 的标准姿势。

动态二：RAGFlow 加速“知识编译”（Knowledge Compilation）演进

开源 RAG 引擎 RAGFlow 近期密集更新，其 2026 路线图中最具前瞻性的方向是 Knowledge Compilation（知识编译）：在文档和数据集层面，自动生成 Wiki、图谱（Graph）、树结构（Tree）、页面索引（PageIndex）、思维导图、时间线乃至可直接调用的 Skills，把“原始文档”编译成“可推理的结构化知识”。

值得注意的变化包括：

• 新增通过 sitemap 摄取网站内容的能力，使得企业站点的知识入库更加自动化和持续化。
• 早前的 GraphRAG 与 RAPTOR 特性被功能更完整的 Graph 与 Tree 取代，并统一纳入 Knowledge Compilation 框架，此前生成的内容仍可检索，保证了平滑演进。
• 在索引管道最昂贵、耗时的社区提取与实体解析环节，实现了检查点与恢复机制，显著提升大规模索引的工程鲁棒性。

影响与意义：RAGFlow 的演进折射出行业共识——高质量 RAG 的瓶颈正从“检索”前移到“知识组织”。把原始文本预先编译成图谱、树、时间线等结构化形态，是缓解多跳推理与全局语义理解难题的关键路径，也预示着 GraphRAG/RAPTOR 类能力将从“实验特性”走向“默认内置”。

动态三：亚马逊给出 Bedrock 知识库向量存储选型方法论

AWS 发布了一篇面向 Amazon Bedrock Knowledge Bases 的实践指南，专门拆解 客户自管路径下三种向量存储后端该如何选型：

影响与意义：向量库选型再无“万能解”，正成为 RAG 工程化的显学。一篇来自头部云厂商的官方指南，本质上是在向行业传递：向量数据库的选型应与数据形态、访问模式、成本与合规综合考虑，而非单纯的“谁快谁准”。这与本周 OpenRouter 面向场景分层的嵌入模型指南形成了呼应。

动态四：OpenRouter 发布 2026 嵌入模型选型指南

OpenRouter 于 9 月 11 日发布 2026 嵌入模型选型指南，对 37 个目录中的 19 个嵌入模型进行了系统的 API 实测与 28 项检查，并将结果按 RAG、多语言归档、代码仓库、图文集合等典型场景分别给出“最优候选”推荐。

从 OpenRouter 过去一周的使用数据看，Text Embedding 3 Small、Qwen3 Embedding 8B、bge-m3 位居热门前列——前者以高性价比取胜，Qwen3 Embedding 8B 在高质量多语言检索上表现突出，而 bge-m3 则凭借原生中文与多向量能力持续受到中文知识库场景的青睐。

影响与意义：嵌入质量直接决定 RAG 的召回上限。选型指南的价值在于把“经验选择题”变成“可对标的方法论”——按场景、按预算、按语言去选，而不是盲目追逐“最高分模型”。

动态五：《AI知识库安全建设与应用指南》发布

由新华网联合多家机构发布的《AI知识库安全建设与应用指南》，将 AI 知识库的安全议题正式摆上台面。指南指出，数据泄露、内容伪造、知识投毒、模型幻觉、合规风险等隐患正“侵蚀着知识库的根基”，并强调高质量数据是知识库的底座，安全必须前置。

影响与意义：这是知识库从“技术尝鲜”迈向“生产关键基础设施”的重要标志。随着金融、政务、医疗等高合规行业大量引入 RAG，安全与可信已不是附加项，而是决定项目能否过审、能否上线的先决条件。可以预期，“安全内建”（Security by Design）将加速成为知识库产品的标配能力。

趋势总结与展望

综合本周动态，知识库与 RAG 领域正在经历三个确定性趋势：

1. 从 RAG 到 Agentic RAG 的范式跃迁：多步检索、自主规划、检索前与检索后的自省闭环，正在取代“单次检索+生成”的朴素流程，成为检索能力的新基线。
2. 从“文档入库”到“知识编译”：图谱、树、时间线、思维导图等结构化编译能力，正在把 RAG 的竞争焦点从“能搜到什么”推进到“能理解什么”。
3. 从“能用”到“安全可信”：安全指南、权限治理、可审计性将成为企业级知识库的准入门槛，与性能同等重要。

可以预见，未来半年，RAG 框架会在“智能体编排”与“知识结构化”两个方向继续收敛，而向量数据库与嵌入模型的选型将愈发依赖场景化的评估体系。对技术团队而言，与其追逐单点参数的领先，不如尽早建立一套覆盖数据、检索、生成、安全全链路的工程方法论。

数据来源

本文内容整理自公开技术资讯与官方发布，主要包括：

• Progress Software 官方发布：Agentic RAG 平台更新（destinationcrm.com）
• RAGFlow 官方文档与 Roadmap 2026（ragflow.io、github.com/infiniflow/ragflow）
• AWS Machine Learning Blog：Amazon Bedrock Knowledge Bases 向量存储选型（aws.amazon.com）
• OpenRouter 2026 Embedding Model Selection Guide（aibase.com、openrouter.ai）
• 新华网：《AI知识库安全建设与应用指南》发布（news.cn）

注：部分官方发布经由第三方技术媒体转述，具体以各原厂官方公告为准。